[論文レビュー] Stain Normalized Breast Histopathology Image Recognition using Convolutional Neural Networks for Cancer Detection

Sruthi Krishna Kunji Purayil, Suganthi S. S+2 more|arXiv (Cornell University)|Jan 4, 2022

AI in cancer detection被引用数 8

ひとこと要約

この論文は、がん検出の正確性を向上させるために、染色の均一化を施した畳み込みニューラルネットワーク（CNN）フレームワークを、乳房組織画像分類のためのものとして提案している。BreaKHisデータセット上で、適応的カラーデコンボリューション（ACD）を用いた染色の均一化と、VGG16、MobileNet、EfficientNetといった効率的なCNNアーキテクチャの微調整を実施することで、著者らは染色の均一化が性能を顕著に向上させることを示した。EfficientNetは、高いテスト精度とF1スコアを達成した一方で、推論時間も低く抑えられていた。

ABSTRACT

Computer assisted diagnosis in digital pathology is becoming ubiquitous as it can provide more efficient and objective healthcare diagnostics. Recent advances have shown that the convolutional Neural Network (CNN) architectures, a well-established deep learning paradigm, can be used to design a Computer Aided Diagnostic (CAD) System for breast cancer detection. However, the challenges due to stain variability and the effect of stain normalization with such deep learning frameworks are yet to be well explored. Moreover, performance analysis with arguably more efficient network models, which may be important for high throughput screening, is also not well explored.To address this challenge, we consider some contemporary CNN models for binary classification of breast histopathology images that involves (1) the data preprocessing with stain normalized images using an adaptive colour deconvolution (ACD) based color normalization algorithm to handle the stain variabilities; and (2) applying transfer learning based training of some arguably more efficient CNN models, namely Visual Geometry Group Network (VGG16), MobileNet and EfficientNet. We have validated the trained CNN networks on a publicly available BreaKHis dataset, for 200x and 400x magnified histopathology images. The experimental analysis shows that pretrained networks in most cases yield better quality results on data augmented breast histopathology images with stain normalization, than the case without stain normalization. Further, we evaluated the performance and efficiency of popular lightweight networks using stain normalized images and found that EfficientNet outperforms VGG16 and MobileNet in terms of test accuracy and F1 Score. We observed that efficiency in terms of test time is better in EfficientNet than other networks; VGG Net, MobileNet, without much drop in the classification accuracy.

研究の動機と目的

• デジタル乳房組織画像における染色ばらつきの問題に対処し、一貫したディープラーニングベースの診断を可能にする。
• バイナリ分類（良性および悪性組織）のためのCNN性能に、適応的カラーデコンボリューション（ACD）を用いた染色の均一化が与える影響を評価する。
• 軽量なCNNモデル（VGG16、MobileNet、EfficientNet）の分類精度、F1スコア、および推論効率を、染色の均一化が施された組織画像データに対して比較する。
• 200倍および400倍の倍率で、BreaKHisデータセット上で事前学習済みモデルを用いたトランスファー学習の有効性を検証する。

提案手法

• 全スライド画像における染色ばらつきを低減するため、適応的カラーデコンボリューション（ACD）を用いて染色の均一化を実施した。
• 200倍および400倍の倍率で、BreaKHisデータセットの組織画像をACDに基づく染色の均一化処理で前処理した。
• 均一化済みデータセット上で、トランスファー学習を用いて3つの事前学習済みCNNアーキテクチャ（VGG16、MobileNet、EfficientNet）を微調整した。
• 一般化性と耐性を向上させるために、データオーグメンテーションを用いてモデルを学習させた。
• 標準的な指標（テスト精度、F1スコア、推論時間）を用いて性能を評価した。
• 染色の均一化済みデータと非均一化データの間で結果を比較し、均一化処理がモデル性能に与える影響を評価した。

実験結果

リサーチクエスチョン

• RQ1 適応的カラーデコンボリューション（ACD）を用いた染色の均一化は、組織画像におけるCNNベースの乳がん分類モデルの性能を向上させるか？
• RQ2 軽量なCNNモデル（VGG16、MobileNet、EfficientNet）は、染色の均一化が施された組織画像に適用された場合、精度、F1スコア、および推論効率の観点でどのように比較されるか？
• RQ3 トランスファー学習の文脈において、染色の均一化済みデータを用いることで、分類性能に顕著な向上が見られるか？
• RQ4 染色の均一化が施された乳房組織画像において、分類精度と推論速度のバランスが最も優れているCNNアーキテクチャはどれか？

主な発見

• 適応的カラーデコンボリューション（ACD）を用いた染色の均一化は、評価されたすべてのCNNモデルにおいて、非均一化データと比較して分類性能を顕著に向上させた。
• EfficientNetは、評価された3つのモデルの中で最高のテスト精度とF1スコアを達成し、VGG16およびMobileNetを上回った。
• EfficientNetは優れた推論効率を示し、テスト時間においてもVGG16およびMobileNetを上回りながら、高い精度を維持した。
• 染色の均一化による性能向上効果は、BreaKHisデータセットの200倍および400倍の倍率の両方で一貫して見られた。
• データオーグメンテーションと染色の均一化が施された画像を用いたトランスファー学習は、非均一化データを用いた場合よりも優れた結果をもたらした。
• MobileNetは、軽量モデルの中で速度と精度のバランスが最も優れていたが、全体的な性能ではEfficientNetに劣った。