[論文レビュー] SlideRunner - A Tool for Massive Cell Annotations in Whole Slide Images

Marc Aubreville, Christof Bertram+2 more|arXiv (Cornell University)|Feb 7, 2018

Cell Image Analysis Techniques参考文献 10被引用数 10

ひとこと要約

SlideRunner は、全スライドヒストロロジー画像の高スループットで多様な専門家によるアノテーションを可能にするオープンソースでインタラクティブなツールであり、ワンクリックラベリングとガイド付きスクリーニングにより、迅速で盲検の細胞アノテーションを実現する。これは、1ラベルあたり平均2.0〜2.6秒という著しい短縮により、有丝分裂の検出アノテーションを顕著に高速化する。また、複数アノテーターの合意によるカリキュラム学習を支援し、ディープラーニング応用のための高品質なデータを提供する。

ABSTRACT

Large-scale image data such as digital whole-slide histology images pose a challenging task at annotation software solutions. Today, a number of good solutions with varying scopes exist. For cell annotation, however, we find that many do not match the prerequisites for fast annotations. Especially in the field of mitosis detection, it is assumed that detection accuracy could significantly benefit from larger annotation databases that are currently however very troublesome to produce. Further, multiple independent (blind) expert labels are a big asset for such databases, yet there is currently no tool for this kind of annotation available. To ease this tedious process of expert annotation and grading, we introduce SlideRunner, an open source annotation and visualization tool for digital histopathology, developed in close cooperation with two pathologists. SlideRunner is capable of setting annotations like object centers (for e.g. cells) as well as object boundaries (e.g. for tumor outlines). It provides single-click annotations as well as a blind mode for multi-annotations, where the expert is directly shown the microscopy image containing the cells that he has not yet rated.

研究の動機と目的

• デジタルパathyologyにおける重要なボトル neck を解決すること：全スライド画像における希少または複雑な細胞タイプ（例：有丝分裂像）のアノテーションが時間的にかかるという点。
• 盲検の合意による高品質な複数アノテーターによるラベリングを可能にし、観察者間ばらつきを低減し、正解ラベルの信頼性を向上させること。
• 迅速なワンクリックアノテーションとガイド付きスクリーニングを支援する、使いやすくインタラクティブなツールを開発し、画像全体の完全なカバレッジを実現すること。
• ヒストパスロジー分野における強固なディープラーニングモデルを訓練するための、大規模で高品質なアノテート済みデータベースを構築すること。
• 専門家間の合意度分析を通じて、代表的サンプルと困難なサンプルを特定することで、カリキュラム学習を支援すること。

提案手法

• SlideRunner は二重モードインターフェースを採用：通常アノテーションモード（直接ラベリング）と、以前のアノテーターのラベルが非表示される盲検モード（独立した専門家評価を保証）。
• ナビゲーション時間を短縮し、アノテーションスループットを向上させるために、未アノテート領域を自動で提示するディスカバリーモードを実装。
• ガイド付きスクリーニングモードでは、スライドをグリッドベースにセグメンテーションし、しきい値処理およびモルフォロジカル操作によって空領域を除外することで、組織を含む領域を体系的に表示。
• アノテーションは、複数の座標（例：点またはポリゴン）と、複数のアノテーターからの複数のラベルをオブジェクトごとに保持し、合意形成と難易度評価を可能にする。
• クリックアンドドラッグまたはワンクリック手法を用いて、点ベース（例：細胞中心）および境界ベース（例：腫瘍の輪郭）の両方のアノテーションをサポート。
• データベースモデルでは、各アノテーションを空間座標、作成順序、およびアノテーターごとの分類ラベルとともに保存し、観察者間ばらつきの詳細な分析を可能にする。

実験結果

リサーチクエスチョン

• RQ1 盲検で複数アノテーターによるアノテーションシステムは、全スライド画像解析における観察者間ばらつきを低減し、ラベルの信頼性を向上させることができるか？
• RQ2 ガイド付きスクリーニングとディスカバリーモードは、自由なナビゲーションと比較して、アノテーションのスピードと完全性をどの程度向上させるか？
• RQ3 実際の病理医のワークフローにおいて、SlideRunner の時間的効率は従来のアノテーション手法と比較してどの程度優れているか？
• RQ4 SlideRunner からの複数アノテーターの合意データは、代表的サンプルと曖昧なサンプルを特定することで、カリキュラム学習を支援できるか？
• RQ5 アノテーションモード（ガイド付き vs. 自由）が、特定のスライドで検出された有丝分裂像の総数に与える影響は何か？

主な発見

• 最初のアノテーションにおける平均アノテーション時間は2名の病理医でそれぞれ6.6秒および6.3秒であり、2回目のアノテーションでは2.0秒および2.6秒にまで短縮され、著しい学習と効率向上が示された。
• Cohenの重み付きκ係数0.815は、2名の病理医間で細胞タイプ分類において実質的な合意を示しており、最も高い不一致は明確なクラスと曖昧クラスの間で発生した。
• ガイド付きスクリーニングは、自由なナビゲーションに比べて有丝分裂像の検出数を90％増加（4,233 vs. 2,252）させ、完全性の向上と見落としの低減を示唆した。
• このツールにより、71,000件を超えるラベルを含む、イヌのマストサイト腫瘍スライドの二重アノテートで構成される大規模なデータベースが構築可能となり、機械学習のための高品質なトレーニングを可能にした。
• 盲検アノテーションモードは、隠されたラベルによりバイアスを防ぎ、独立したラベリングを実現し、信頼性の高い合意推定を可能にした。
• オンデマンドロードと効率的なデータ構造を用いることで、非常に大きな全スライド画像を処理できる能力が、病理学的ワークフローにおけるスケーラブルな実用的展開を可能にした。