[論文レビュー] What Can Machine Vision Do for Lymphatic Histopathology Image Analysis: A Comprehensive Review

Xiaoqi Li, Haoyuan Chen+7 more|arXiv (Cornell University)|Jan 21, 2022

AI in cancer detection被引用数 4

ひとこと要約

本包括的なレビューでは、リンパ系ヒストパスロジー画像解析における機械視覚技術、特にディープラーニングを用いたセグメンテーション、分類、検出の手法を評価している。U-Netが顕著なセグメンテーション手法として浮き彫りになり、ディープラーニング特徴量が従来の手作業による特徴量を上回り、濾泡性リンパ腫画像における濾泡の分類で最大90.35％の正確性を達成したことが示された。

ABSTRACT

In the past ten years, the computing power of machine vision (MV) has been continuously improved, and image analysis algorithms have developed rapidly. At the same time, histopathological slices can be stored as digital images. Therefore, MV algorithms can provide doctors with diagnostic references. In particular, the continuous improvement of deep learning algorithms has further improved the accuracy of MV in disease detection and diagnosis. This paper reviews the applications of image processing technology based on MV in lymphoma histopathological images in recent years, including segmentation, classification and detection. Finally, the current methods are analyzed, some more potential methods are proposed, and further prospects are made.

研究の動機と目的

• 過去10年間におけるリンパ系ヒストパスロジー画像解析における機械視覚の応用を体系的にレビューすること。
• リンパ腫診断における画像前処理、セグメンテーション、特徴抽出、分類、検出手法の進化を分析すること。
• 現在の手法における限界を特定し、解釈可能で効率的かつ正確なディープラーニングベースのシステムの今後の方向性を提起すること。
• Camelyon や IICBU-2008 などのベンチマークデータセットを用いて、最先端手法の性能を評価すること。
• リンパ腫診断におけるコンピュータ支援診断を通じて病理医を支援する観点から、機械視覚の臨床的潜在能力を評価すること。

提案手法

• 2010年から2022年までのリンパ系ヒストパスロジー画像解析における機械視覚に関する100件以上の研究をレビューし、画像前処理、セグメンテーション、特徴抽出、分類、検出に焦点を当てた。
• 特にリンパ節および濾泡領域の検出において、U-Net が画像セグメンテーションの主要なディープラーニングアーキテクチャとして用いられている。
• 濾泡構造の非教師ありセグメンテーションのために、k-means クラスタリングおよび色・テクスチャ特徴抽出（色空間変換および共起行列を用いて）が適用された。
• 核の検出には、ホフ変換と強度しきい値処理が用いられ、その後、神経ファジィ分類器を用いて中心芽細胞（CBs）と非CBsを区別した。
• 分類タスクにおいて、ディープラーニング特徴量（例：CNNからの出力）と従来の手作業による特徴量（色、テクスチャ、形状）を比較した。
• セグメンテーションの正確性（例：83.09 ± 6.25％）や分類のF1スコアといった標準指標を用いて、Camelyon や IICBU-2008 を含むデータセットで手法の性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 2010年以降、リンパ系ヒストパスロジー画像解析における機械視覚技術はどのように進化してきたか？
• RQ2 リンパ腫組織画像のための最も効果的な画像前処理、セグメンテーション、特徴抽出手法は何か？
• RQ3 リンパ腫亜型の分類において、ディープラーニングベースの特徴量は、従来の手作業による特徴量をどの程度上回っているか？
• RQ4 現在の手法は、濾泡や中心芽細胞といった重要な組織像をどの程度正確に検出・分類できているか？
• RQ5 臨床応用可能な、解釈可能で効率的かつ正確な機械視覚システムを開発するにあたり、主な課題と今後の方向性は何か？

主な発見

• U-Net は、リンパ系ヒストパスロジーにおける画像セグメンテーションの主要なディープラーニングアーキテクチャとして浮上し、従来のクラスタリング手法に比べて正確性が著しく向上した。
• 特に複雑なリンパ腫亜型において、ディープラーニング特徴量は、手作業による特徴量（色、テクスチャ、形状）を常に上回る性能を示した。
• 神経ファジィ分類器は、濾泡性リンパ腫における中心芽細胞（CBs）の検出で90.35％の正確性を達成し、SVM、Adaboost、ニューラルネットワーク、決定木を上回った。
• k-means と色・テクスチャ特徴量を用いたセグメンテーションは、IHC染色画像で平均83.09 ± 6.25％の正確性を示し、濾泡領域検出の強靭性を裏付けた。
• Camelyon および IICBU-2008 データセットは、リンパ腫画像解析システムの性能評価に広く用いられるベンチマークであり、再現性のある性能比較を可能にしている。
• 進展は見られたが、解釈可能性、計算効率、臨床現場への導入の面で課題が残っており、特にCOVID-19後の医療AI需要の急増に伴い顕在化している。