[論文レビュー] Unsupervised Prostate Cancer Detection on H&E using Convolutional Adversarial Autoencoders

Wouter Bulten, Geert Litjens|arXiv (Cornell University)|Apr 11, 2018

Prostate Cancer Diagnosis and Treatment参考文献 1被引用数 19

ひとこと要約

本稿では、ラベルなし学習データを一切使用せずに、H&E染色全スライド画像における前立腺がんを検出するクラスタリング敵対的オートエノードラ（CAAE）を提案する。IHCを再構成ターゲットとして用いることで抗体駆動型特徴学習を誘導し、特徴表現を判別的に学習する。このモデルは、教師なし腫瘍対非腫瘍分類においてF1スコア0.62を達成し、追加の検証ラベルを用いることで性能が向上する。

ABSTRACT

We propose an unsupervised method using self-clustering convolutional adversarial autoencoders to classify prostate tissue as tumor or non-tumor without any labeled training data. The clustering method is integrated into the training of the autoencoder and requires only little post-processing. Our network trains on hematoxylin and eosin (H&E) input patches and we tested two different reconstruction targets, H&E and immunohistochemistry (IHC). We show that antibody-driven feature learning using IHC helps the network to learn relevant features for the clustering task. Our network achieves a F1 score of 0.62 using only a small set of validation labels to assign classes to clusters.

研究の動機と目的

• ラベルなし学習データに依存しない教師なし深層学習手法を、前立腺がん検出に開発すること。
• 抗体駆動型特徴学習のための再構成ターゲットとして免疫ヒストケミストリー（IHC）を用いることで、H&E画像における特徴学習を向上させること。
• クラスタリングをオートエノードラの学習プロセスに直接統合し、k-means や t-SNE などの後処理ステップを排除すること。
• H&EからIHCへのクロスドメイン再構成が、腫瘍組織と非腫瘍組織を区別する能力を向上させるかどうかを評価すること。
• 教師なし表現学習が、多様性がありノイズの多い病理学的データセットにおいても意味のある分類性能を達成できることを示すこと。

提案手法

• 本手法は、2つの潜在ベクトルを持つクラスタリング敵対的オートエノードラ（CAAE）を用いる。1つはクラスターベクトル y（次元50）で、ディスクリミネーターによって一様分布に正則化され、もう1つはスタイルベクトル z（次元20）で、標準正規分布に従う。
• ネットワークは3段階で訓練される：オートエノードラ再構成損失、y および z のディスクリミネーター正則化、および潜在空間をターゲット分布に一致させるための敵対的訓練。
• 再構成ターゲットは、元のH&Eパッチ（H&EからH&E）または対応するIHCパッチ（H&EからIHC）のいずれかであり、後者は生物学的に関連する特徴を学習させる。
• エンコーダはスライディングウィンドウとして大きな組織領域に適用され、ピクセル単位のクラスタ割り当てが生成され、クラス頻度オーバーレイとして可視化される。
• 生物学的クラス（間質、良性上皮、腫瘍）ごとに200パッチのラベル付きデータを用いて、学習されたクラスタを生物学的クラスにマッピングする。
• 本モデルは二重ディスクリミネーター構造を採用しており、クラスターベクトル y とスタイルベクトル z の両方の正則化を実施し、分離され意味のある潜在表現を保証する。

実験結果

リサーチクエスチョン

• RQ1 IHCを再構成ターゲットとして用いる教師なし表現学習が、H&E画像における前立腺がん検出のための特徴学習を改善できるか？
• RQ2 オートエノードラの学習プロセスにクラスタリングを直接統合することで、k-means や t-SNE などの後処理クラスタリングアルゴリズムの必要性が排除できるか？
• RQ3 H&EからIHCへの再構成性能は、H&EからH&Eへの再構成と比較して、腫瘍／非腫瘍分類のF1スコアにおいてどのように差が現れるか？
• RQ4 少量のラベル付き検証パッチを用いて、学習されたクラスタを生物学的に意味のある組織タイプにマッピングできる程度はどの程度か？
• RQ5 ラベルなし学習データを一切使用せずに、多様性がありノイズの多い病理学的データセットからも、判別可能な特徴を学習できるか？

主な発見

• IHCをH&Eから再構成するCAAEは、腫瘍対非腫瘍組織の区別においてF1スコア0.62を達成し、H&EからH&Eのベースライン（F1 = 0.52）を顕著に上回った。
• 利用可能なすべての検証ラベルを用いてクラスタをクラスにマッピングしたことで、F1スコアは0.769に向上し、最小限の監督のもとで大きな潜在的価値を示した。
• モデルは特定のクラスタを明確に特定した組織タイプに関連づけた：クラスタ1および2は完全に間質を捉え、クラスタ5は腫瘍組織を捉えた。
• 一部のクラスタは、良性上皮と腫瘍の両方の特徴を捉えており、モデルが複雑な形態的パターンを識別していることを示している。
• t-SNE可視化により、オートエノードラが学習した潜在空間が分離可能であることが確認され、ネットワークが意味的で判別可能な表現を捉えていることが示された。
• IHCを再構成ターゲットとして用いることで、再構成の難易度が増したにもかかわらず、クラスタリング性能が向上したことで、より関連性の高い特徴学習が達成されたことが裏付けられた。