[논문 리뷰] A Unified Framework for Tumor Proliferation Score Prediction in Breast Histopathology

Kyunghyun Paeng, Sangheum Hwang외 2명|arXiv (Cornell University)|2016. 12. 21.

AI in cancer detection참고 문헌 14인용 수 7

한 줄 요약

이 논문은 유방암 조직병리학 전체 슬라이드 이미지(WSIs)에서 종양 증식 점수를 예측하기 위한 통합적이고 완전 자동화된 프레임워크를 제시한다. 이 프레임워크는 조직 영역 추출, 염색 정규화, 딥러닝 기반 미토시스 검출(ResNet 기반 DCNN 사용), 그리고 SVM 회귀를 통합한다. 이 시스템은 2016년 Tumor Proliferation Assessment Challenge에서 1등을 차지하며, 미토시스 수에 기반한 점수에서 0.567의 2차 가중 코HEN의 카프라, 분자 데이터 기반 점수에서 0.617의 스피어만 상관계수를 기록하여 최신 기술 수준(SOTA)의 성능을 달성하였다.

ABSTRACT

We present a unified framework to predict tumor proliferation scores from breast histopathology whole slide images. Our system offers a fully automated solution to predicting both a molecular data-based, and a mitosis counting-based tumor proliferation score. The framework integrates three modules, each fine-tuned to maximize the overall performance: An image processing component for handling whole slide images, a deep learning based mitosis detection network, and a proliferation scores prediction module. We have achieved 0.567 quadratic weighted Cohen's kappa in mitosis counting-based score prediction and 0.652 F1-score in mitosis detection. On Spearman's correlation coefficient, which evaluates predictive accuracy on the molecular data based score, the system obtained 0.6171. Our approach won first place in all of the three tasks in Tumor Proliferation Assessment Challenge 2016 which is MICCAI grand challenge.

연구 동기 및 목표

• 유방암의 전체 슬라이드 이미지(WSIs)에서 종양 증식 점수를 예측하기 위한 완전 자동화 시스템을 개발하는 것.
• 병리의사가 수행하는 수작업적 미토시스 수세기에서 발생하는 주관성과 재현성 문제를 해결하는 것.
• 단일이고 종단간(end-to-end) 프레임워크 내에서 미토시스 검출과 증식 점수 예측을 통합하는 것.
• 미토시스 수세기 기반 및 분자 데이터 기반 증식 점수 예측 작업 모두에서 높은 성능을 달성하는 것.
• 실제 도전 대회 환경(MICCAI 2016 Tumor Proliferation Assessment Challenge)에서 시스템을 검증하는 것.

제안 방법

• 시스템은 Otsu의 방법과 이진 팽창을 사용하여 조직 블롭을 식별함으로써 WSIs를 처리하고 조직 영역 및 패치 추출을 수행한다.
• CellProfiler를 사용한 세포 밀도 추정 기반으로 ROI를 선택하며, 슬라이드당 30개의 세포 밀도가 가장 높은 패치를 우선순위로 선정한다.
• 슬라이드 간 변동성을 줄이기 위해 [9]의 방법을 사용하여 ROI 패치에 대한 염색 정규화를 수행하며, α=1.0 및 β=0.15를 설정한다.
• 딥러닝 기반의 미토시스 검출 네트워크에 대해 이중 단계 학습 절차를 사용한다: 초기 데이터로 학습한 후, 100,000개의 증강된 가짜 양성 결과를 사용하여 재학습하여 가짜 양성 결과를 감소시킨다.
• 미토시스 검출 네트워크는 ResNet 기반으로 6개 또는 9개의 잔차 블록을 사용하며, WSI 수준의 추론을 위해 완전 컨볼루션 네트워크로 변환된다.
• 미토시스 수와 공간 통계에서 유도된 특징 벡터를 SVM에 입력하여 최종 증식 점수 예측을 수행하며, 10겹 교차검증을 통해 하이퍼파라미터 튜닝을 수행한다.

실험 결과

연구 질문

• RQ1 통합 딥러닝 프레임워크는 전체 슬라이드 이미지에서 미토시스 검출 및 증식 점수 예측 모두에서 높은 성능을 달성할 수 있는가?
• RQ2 자동 ROI 선택 및 염색 정규화 통합이 미토시스 검출 및 점수 예측 정확도에 어떤 영향을 미치는가?
• RQ3 유방암 WSIs에서 미토시스 수는 분자 기반 증식 점수와 어느 정도 상관이 있는가?
• RQ4 표준화된 도전 대회 환경에서 완전 자동화 시스템이 반자동 또는 인간 지도 기반 접근 방식을 능가할 수 있는가?
• RQ5 어떤 영상 특징이 종양 증식 점수 예측에 가장 예측 가능하며, 이는 알려진 생물학적 마커와 일치하는가?

주요 결과

• 시험 세트에서 시스템은 0.652의 F1 스코어를 기록하여 도전 대회에서 다른 팀들을 능가하는 미토시스 검출 성능을 달성하였다.
• 미토시스 수세기 기반 증식 점수 예측은 시험 세트에서 2차 가중 코헨의 카프라가 0.567로, 다른 모든 방법을 뛰어넘었다.
• 분자 데이터 기반 증식 점수 예측은 시험 세트에서 스피어만 상관계수 0.617을 기록하여 다른 접근 방식보다 뚜렷이 뛰어난 성능을 보였다.
• 특징 선택 분석 결과, 분자 기반 점수 예측에서 미토시스 수(특징 8 및 14)가 세포 수(특징 15)보다 더 예측 능력이 높았으며, 이는 미토시스 활동의 생물학적 관련성을 확인하였다.
• 이중 단계 학습 절차는 단일 단계 학습 대비 0.1 F1 스코어 감소를 통해 검출의 강건성을 향상시켰다.
• 시스템은 MICCAI 2016 Tumor Proliferation Assessment Challenge의 세 가지 모든 과제에서 1등을 차지하여 종단간 성능의 타당성을 입증하였다.