[論文レビュー] SlideNet: Fast and Accurate Slide Quality Assessment Based on Deep Neural Networks

Teng Zhang, Johanna Carvajal+6 more|arXiv (Cornell University)|Mar 20, 2018

AI in cancer detection参考文献 22被引用数 3

ひとこと要約

SlideNet は、軽量な MobileNet をベースにした密分類モデルを用いて、Gram 染色組織巻きの高分解能スライドの細分化されたスライド品質評価のための高速で高精度なディープラーニングフレームワークを提案する。スライドの染色品質、情報密度、損傷度のためのヒートマップとテキスト要約を生成し、GPU で 170 FPS、86.8% の精度を達成し、従来の SVM に基づく手法を上回っている。

ABSTRACT

This work tackles the automatic fine-grained slide quality assessment problem for digitized direct smears test using the Gram staining protocol. Automatic quality assessment can provide useful information for the pathologists and the whole digital pathology workflow. For instance, if the system found a slide to have a low staining quality, it could send a request to the automatic slide preparation system to remake the slide. If the system detects severe damage in the slides, it could notify the experts that manual microscope reading may be required. In order to address the quality assessment problem, we propose a deep neural network based framework to automatically assess the slide quality in a semantic way. Specifically, the first step of our framework is to perform dense fine-grained region classification on the whole slide and calculate the region distribution histogram. Next, our framework will generate assessments of the slide quality from various perspectives: staining quality, information density, damage level and which regions are more valuable for subsequent high-magnification analysis. To make the information more accessible, we present our results in the form of a heat map and text summaries. Additionally, in order to stimulate research in this direction, we propose a novel dataset for slide quality assessment. Experiments show that the proposed framework outperforms recent related works.

研究の動機と目的

• デジタイズド・Gram 染色塗抹スライドにおける自動的でリアルタイムのスライド品質評価システムの開発を目的とする。
• 既存の CAD システムにおける細分化された意味的スライド品質評価の欠如に応えることを目的とする。
• 染色の問題、損傷、高倍率分析に適した領域の自動検出により、熟練専門医による手動レビューへの依存を低減することを目的とする。
• スライド準備およびスキャンシステムに行動可能なフィードバックを提供することで、デジタル病理学ワークフローにおける完全自動化を支援することを目的とする。
• 細分化されたスライド品質評価のための新規で公開可能なデータセットの作成およびリリースを目的とする。

提案手法

• 全スライド画像全域における細分化された領域分類のため、軽量なディープニューラルネットワーク（MobileNet）をバックボーンとして用いる。
• フレームワークは、ピクセル単位の分類を実行し、細胞、細菌、バックグラウンドなどの複数カテゴリにおける領域分布ヒストグラムを生成する。
• これらのヒストグラムを用いて情報密度マップを計算し、領域の重要性を可視化するヒートマップを生成する。
• 経験的に選定されたしきい値を用いて、領域比を定性的なラベル（例：良好／平均／低）にマッピングすることで、テキスト要約を自動生成する。
• 速度と低メモリ使用量を最適化しており、標準的なハードウェアでもリアルタイム推論が可能である。
• ベンチマーク用に、熟練者による品質属性のアノテーションが施された 6 枚の全スライド画像からなる、新規の細分化されたデータセットを構築しリリースした。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、スライド品質評価のための高精度でリアルタイムの密分類を、組織巻きスライドの領域に対して達成可能か？
• RQ2 軽量 DNN（例：MobileNet）の性能は、従来の特徴量設計手法（例：HOG、colorLBP）と比較して、スライド領域分類においてどのように異なるか？
• RQ3 自動化されたスライド品質評価（染色、損傷、情報密度）は、熟練病理医の判断とどの程度相関するか？
• RQ4 自動意思決定を支援する意味的で多面的なスライド品質評価フレームワークを構築可能か？
• RQ5 今後の研究を促進するために、公開可能な細分化されたスライド品質評価用データセットを構築・リリースすることは可能か？

主な発見

• SlideNet は、MobileNet-224 バックボーンを用いて 86.8% の精度を達成した。これは、HOG+SVM（45.3%）および colorLBP+SVM（51.2%）を著しく上回っている。
• GPU では 170 FPS、CPU では 10 FPS で実行され、臨床応用に適したリアルタイム性能を示した。
• 主観的評価では、6 枚のテストスライドにおいて SlideNet の予測と病理医の判断の間に 77.8% の一致が確認された。
• フレームワークは、染色、損傷、情報密度といった重要なスライド品質属性を反映する解釈可能なヒートマップとテキスト要約を効果的に生成した。
• 本研究で提示された、細分化されたアノテーションが施された 6 枚の全スライド画像からなるデータセットは、今後のスライド品質評価研究を支援する目的で公開されている。
• SlideNet は、低品質スライドの再作成を要請する、または高倍率スキャンに適した高価値領域を優先するなど、スライド準備システムへの自動フィードバックを可能にする。