[논문 리뷰] A Morphology Focused Diffusion Probabilistic Model for Synthesis of Histopathology Images

Puria Azadi Moghadam, Sanne Van Dalen외 5명|arXiv (Cornell University)|2022. 09. 27.

AI in cancer detection인용 수 5

한 줄 요약

이 논문은 저-grade 신경아교세포종 아형(저-grade 신경아교세포종 아형)의 고해상도 H&E 염색 전체 슬라이드 이미지를 합성하기 위한 최초의 확산 확률 모델을 소개한다. 형태학적 특징에 중점을 두고 훈련하며, 인지 우선 가중치(P2)와 색상 정규화를 활용하여 고성능의 이미지를 생성한다. 이 모델은 정량적 지표와 전문가 평가에서 ProGAN을 능가하며, 병리학자들이 합성 이미지와 실제 이미지를 신뢰성 있게 구분하지 못한다.

ABSTRACT

Visual microscopic study of diseased tissue by pathologists has been the cornerstone for cancer diagnosis and prognostication for more than a century. Recently, deep learning methods have made significant advances in the analysis and classification of tissue images. However, there has been limited work on the utility of such models in generating histopathology images. These synthetic images have several applications in pathology including utilities in education, proficiency testing, privacy, and data sharing. Recently, diffusion probabilistic models were introduced to generate high quality images. Here, for the first time, we investigate the potential use of such models along with prioritized morphology weighting and color normalization to synthesize high quality histopathology images of brain cancer. Our detailed results show that diffusion probabilistic models are capable of synthesizing a wide range of histopathology images and have superior performance compared to generative adversarial networks.

연구 동기 및 목표

• 확산 확률 모델이 저-grade 신경아교세포종 아형, 특히 희귀 암 아형에 대해 고품질의 히스토파스ولوج리 이미지를 생성할 잠재력을 탐색하기 위해.
• GAN의 한계(예: 모드 붕괴, 안정성 떨어지는 훈련)를 해결하기 위해 확산 모델의 안정적이고 확장 가능한 훈련 특성을 활용하기 위해.
• 인지 우선 가중치(P2)와 색상 정규화를 통해 합성 이미지의 형태학적 정확도와 구조 일관성을 향상시키기 위해.
• 객관적 지표와 빈도 평가를 통한 전문 병리학자 평가를 통해 생성된 이미지의 현실성 평가하기 위해.
• 디지털 병리학 분야에서 데이터 증강, 교육, 개인정보 보호 공유 응용 가능성을 입증하기 위해.

제안 방법

• 제안된 방법은 저-grade 신경아교세포종 아형(저-grade 신경아교세포종 아형, IDH-변이형, 1p/19q 공손실형)의 전체 슬라이드 이미지에 대해 엔드 투 엔드로 훈련된 확산 확률 모델을 사용한다.
• 인지 우선 가중치(P2)는 더 부각된 형태학적 특징을 포함하는 확산 단계에 중점을 두어 구조적 정확도를 향상시킨다.
• 색상 정규화는 실제 및 합성 이미지 간의 염색 패턴을 표준화하여 형태학적 학습을 향상시키기 위해 모델 파이프라인에 통합된다.
• 모델은 기가피셀 해상도의 H&E 염색 전체 슬라이드 이미지에서 훈련되며, 다중 배율에서 조직 구조와 세포 형태를 유지한다.
• 절단 연구는 FID, LPIPS, SSIM 등의 지표를 사용하여 ProGAN과 비교해 이미지 품질과 분포 커버리지 평가한다.
• 두 명의 병리학자(국가 자격 취득자 및 수련의사)가 참여한 익명 평가 설문조사로 합성 이미지와 실제 이미지의 현실성에 대해 확신도 및 정확도 점수를 평가한다.

실험 결과

연구 질문

• RQ1 확산 확률 모델은 저-grade 신경아교세포종 아형에 대해 고성능의 형태학적으로 정확한 히스토파스ولوج리 이미지를 생성할 수 있는가?
• RQ2 인지 우선 가중치(P2)는 표준 확산 훈련 대비 합성 히스토파스ولوج리 이미지의 구조적 정확도를 향상시키는가?
• RQ3 확산 모델에서 생성된 이미지는 시각적 품질과 현실성 측면에서 ProGAN의 결과와 어떻게 비교되는가?
• RQ4 병리학자들은 익명 평가에서 합성 히스토파스ولوج리 이미지와 실제 이미지를 신뢰성 있게 구분할 수 있는가?
• RQ5 제한된 훈련 데이터에도 불구하고, 모델은 희귀 아형(예: IDH-와일드타입)으로 일반화되는가?

주요 결과

• 모델은 FID(12.8 대비 18.4), LPIPS(0.08 대비 0.12), SSIM(0.92 대비 0.87) 등 모든 객관적 지표에서 ProGAN을 뚜렷이 능가했다.
• 병리학자들은 합성 이미지와 실제 이미지를 신뢰성 있게 구분하지 못했으며, 피셔의 정확도 검정(p-value 1.0 및 0.263) 결과 검출 성능에 통계적으로 유의미한 차이가 없음을 확인했다.
• 전문가들은 실제 이미지를 더 확신 있게 식별했지만, 합성 이미지 중 정확히 식별된 비율은 매우 낮아 높은 현실성 임을 시사했다.
• 모델은 희귀한 조직학적 특징(예: 올리고델로기아의 "계란 틀" 모양)과 특징적인 분지형 혈관조직을 포함하여 낮은 빈도 아형에서도 잘 포착했다.
• ProGAN은 특히 희귀한 IDH-와일드타입 아형에서 모드 붕괴를 보이며 유사하고 저품질의 이미지를 생성했지만, 확산 모델은 다양성과 세부 정보를 유지했다.
• 색상 정규화는 염색 일관성을 효과적으로 유지하여, 모델이 염색 변동성에 의해 혼동되지 않고 형태학적 패턴을 학습할 수 있도록 했다.