[論文レビュー] WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma

Chu Han, Xipeng Pan+41 more|arXiv (Cornell University)|Apr 13, 2022

AI in cancer detection被引用数 27

ひとこと要約

この論文は、LUADの弱教師あり組織セマンティックセグメンテーションのための大規模課題とデータセットを提示し、パッチレベルのラベルを用いてピクセルレベルの組織マップを推定し、トップチームの最先端結果を示します。

ABSTRACT

Lung cancer is the leading cause of cancer death worldwide, and adenocarcinoma (LUAD) is the most common subtype. Exploiting the potential value of the histopathology images can promote precision medicine in oncology. Tissue segmentation is the basic upstream task of histopathology image analysis. Existing deep learning models have achieved superior segmentation performance but require sufficient pixel-level annotations, which is time-consuming and expensive. To enrich the label resources of LUAD and to alleviate the annotation efforts, we organize this challenge WSSS4LUAD to call for the outstanding weakly-supervised semantic segmentation (WSSS) techniques for histopathology images of LUAD. Participants have to design the algorithm to segment tumor epithelial, tumor-associated stroma and normal tissue with only patch-level labels. This challenge includes 10,091 patch-level annotations (the training set) and over 130 million labeled pixels (the validation and test sets), from 87 WSIs (67 from GDPH, 20 from TCGA). All the labels were generated by a pathologist-in-the-loop pipeline with the help of AI models and checked by the label review board. Among 532 registrations, 28 teams submitted the results in the test phase with over 1,000 submissions. Finally, the first place team achieved mIoU of 0.8413 (tumor: 0.8389, stroma: 0.7931, normal: 0.8919). According to the technical reports of the top-tier teams, CAM is still the most popular approach in WSSS. Cutmix data augmentation has been widely adopted to generate more reliable samples. With the success of this challenge, we believe that WSSS approaches with patch-level annotations can be a complement to the traditional pixel annotations while reducing the annotation efforts. The entire dataset has been released to encourage more researches on computational pathology in LUAD and more novel WSSS techniques.

研究の動機と目的

• LUAD組織病理の公開ラベリング資源を充実させ、アノテーションの負担を軽減する。
• パッチレベルのラベルを用いたWSIに対する弱教師付きセマンティックセグメンテーション技術を促進する。
• LUADにおける粗い注釈からピクセルレベルの組織マップを生成する戦略を開発・評価する。

提案手法

• パッチレベルのラベルを用いて腫瘍上皮、腫瘍関連間質、正常組織の3つの組織クラスをセグメンテーションするWSSS競技を組織する。
• 病理医のループを含むラベリングワークフローを採用してパッチレベルおよびピクセルレベルの注釈を作成する。
• CAMベースの弱教師付き学習とMLPSベースの弱教師付きセグメンテーションアプローチを用いて偽マスクを生成する。
• データ拡張と画像のスプリッシングを組み合わせ、セグメンテーションの学習信号を拡張する。
• GDPHおよびTCGAのWSIを横断して、背景を白で除外したmIoUで評価する。

実験結果

リサーチクエスチョン

• RQ1 パッチレベルのラベルをLUADでのピクセルレベルの正確な組織セグメンテーションマップに効果的に変換できるか。
• RQ2 LUAD組織セグメンテーションのための最適な弱教師付き戦略（CAM、偽マスク、データ拡張）は何か。
• RQ3 病理医のループを取り入れたラベリングプロセスはアノテーションの効率とセグメンテーションの性能にどのような影響を与えるか。
• RQ4 弱教師付きの下でLUADの組織クラス（腫瘍、間質、正常）間の性能ギャップはどの程度か。

主な発見

チーム名	mIoU	腫瘍	正常	間質
ChunhuiLin	0.8413	0.8389	0.8919	0.7931
baseline0412	0.8222	0.8402	0.8343	0.7921
Vison307	0.8058	0.8165	0.8554	0.7456
BinghongWu	0.8057	0.8045	0.8654	0.7471
adbertyoungdalu	0.8025	0.7967	0.8668	0.7440
DPPD	0.7815	0.7895	0.8397	0.7153
chenxl	0.7714	0.7897	0.8159	0.7088
sibet0222	0.7609	0.8121	0.7107	0.7599
guoxutao	0.7552	0.8179	0.6840	0.7636
shichuanyexi	0.7411	0.8192	0.6714	0.7325
zyw19990916	0.7382	0.8080	0.6868	0.7196
York	0.7239	0.8023	0.6710	0.6985
[e-mail]	0.7199	0.7557	0.7248	0.6791
Zlin3000	0.7064	0.7493	0.6863	0.6837

• トップチームはmIoU0.8413（腫瘍0.8389、間質0.7931、正常0.8919）を達成した。
• CAMベースのアプローチはこのタスクのWSSSで依然として人気があり、トップチームではプログレッシブドロップアウトと多層偽教師が用いられている。
• CutMixや画像スプリッシングのようなデータ拡張技術は、より信頼性の高いピクセルレベルの監視を生成するために広く採用された。
• 病理医のループワークフローは、選択的検証と重複チェックを通じて品質を維持しつつラベリングを加速させる。
• データセットには、10,091の訓練パッチと検証+テストで1億3000万を超えるラベル付きピクセルを含み、GDPHおよびTCGAの87のWSIにまたがる。