[논문 리뷰] A Novel Dataset and a Deep Learning Method for Mitosis Nuclei Segmentation and Classification

Huadeng Wang, Zhipeng Liu외 5명|arXiv (Cornell University)|2022. 12. 27.

AI in cancer detection인용 수 4

한 줄 요약

이 논문은 깊이 분리 가능 합성곱 잔차 블록과 채널-공간 주의 게이트를 조합한 두 단계의 딥러닝 프레임워크인 SCMitosis를 제안한다. 이는 고정밀도의 미세분열핵 세그멘테이션을 수행한 후, 계단식 분류 네트워크를 통해 분류를 수행한다. 이 방법은 ICPR 2012 데이터셋에서 F-스코어 0.8687을 기록했으며, 새로 공개된 GZMH 데이터셋에서도 뛰어난 일반화 성능을 보이며 기존 최고 수준의 방법들보다 향상된 성능을 입증한다.

ABSTRACT

Mitosis nuclei count is one of the important indicators for the pathological diagnosis of breast cancer. The manual annotation needs experienced pathologists, which is very time-consuming and inefficient. With the development of deep learning methods, some models with good performance have emerged, but the generalization ability should be further strengthened. In this paper, we propose a two-stage mitosis segmentation and classification method, named SCMitosis. Firstly, the segmentation performance with a high recall rate is achieved by the proposed depthwise separable convolution residual block and channel-spatial attention gate. Then, a classification network is cascaded to further improve the detection performance of mitosis nuclei. The proposed model is verified on the ICPR 2012 dataset, and the highest F-score value of 0.8687 is obtained compared with the current state-of-the-art algorithms. In addition, the model also achieves good performance on GZMH dataset, which is prepared by our group and will be firstly released with the publication of this paper. The code will be available at: https://github.com/antifen/mitosis-nuclei-segmentation.

연구 동기 및 목표

• 기존 딥러닝 모델이 미세분열핵 검출에서 낮은 일반화 성능을 보이는 문제를 해결하기 위해.
• 유방암 조직의 히스토파스ولوج적 영상에서 세그멘테이션 재현율과 검출 정확도를 향상시키기 위해.
• 미래의 미세분열핵 검출 연구를 지원하기 위해 새로운 공개된 데이터셋(GZMH)을 제안하기 위해.
• 세그멘테이션 및 분류 성능를 향상시키는 두 단계의 방법을 개발하기 위해.
• 재현 가능성과 디지털 병리학 분야의 향후 발전을 촉진하기 위해 오픈소스 코드를 제공하기 위해.

제안 방법

• 모델은 계산 비용을 줄이며 다중 척도 특징을 효율적으로 추출하기 위해 깊이 분리 가능 합성곱 잔차 블록을 활용한다.
• 채널-공간 주의 게이트를 통합하여 채널 및 공간 차원을 적응적으로 재조정함으로써 특징 표현을 향상시킨다.
• 두 단계의 파이프라인을 설계한다: 첫 번째로 고재현율 세그멘테이션, 두 번째로 세그멘테이션 영역에 대해 계단식 네트워크를 사용한 분류.
• 모델은 ICPR 2012 데이터셋에서 엔드 투 엔드로 훈련되며, ICPR 2012 및 새로 도입된 GZMH 데이터셋에서 평가된다.
• 제한된 레이블이 부여된 데이터를 바탕으로 고해상도 히스토파스ولوج적 영상에서 소형 객체 검출에 최적화된 아키텍처를 설계한다.
• 주의 메커니즘을 활용하여 미세분열핵의 구분 가능한 영역에 집중함으로써 검출의 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 두 단계의 딥러닝 프레임워크는 히스토파스ولوج적 영상에서 미세분열핵의 세그멘테이션 재현율과 분류 정확도를 향상시킬 수 있는가?
• RQ2 깊이 분리 가능 합성곱과 채널-공간 주의의 통합은 소형 객체 검출을 위한 특징 학습을 어떻게 향상시키는가?
• RQ3 제안된 방법의 일반화 성능은 저자들이 정제한 새로운 공개 데이터셋(GZMH)에서 어떻게 나타나는가?
• RQ4 SCMitosis는 F-스코어와 다양한 데이터셋에서의 강건성 측면에서 기존 최고 수준의 방법들과 비교해 어떤가?
• RQ5 주의 메커니즘이 낮은 대비의 어려운 미세분열핵 영상에서 검출 성능을 얼마나 향상시키는가?

주요 결과

• 제안된 SCMitosis 모델은 ICPR 2012 데이터셋에서 F-스코어 0.8687을 기록하여 현재 최고 수준의 방법들을 능가한다.
• 저자들이 정제한 새로운 공개된 GZMH 데이터셋에서도 뛰어난 일반화 능력을 보이며 양호한 성능을 달성한다.
• 깊이 분리 가능 합성곱의 사용은 모델 복잡도를 감소시키면서도 고세그멘테이션 재현율을 유지한다.
• 채널-공간 주의 게이트는 특징 표현을 크게 향상시켜 소형 및 모호한 미세분열핵의 검출을 향상시킨다.
• 두 단계 설계는 세그멘테이션과 분류를 효과적으로 분리하여 종합적인 검출 성능을 향상시킨다.
• 코드와 데이터셋(GZMH)은 논문 출판과 함께 공개될 예정으로, 재현 가능성과 향후 연구를 지원한다.