[논문 리뷰] Adversarial Domain Adaptation for Classification of Prostate Histopathology Whole-Slide Images

Jian Ren, Ilker Hacihaliloglu외 3명|arXiv (Cornell University)|2018. 06. 04.

AI in cancer detection인용 수 15

한 줄 요약

이 논문은 다양한 색소 및 스캐닝 프로토콜을 가진 기관 간에 전립선 전체 슬라이드 이미지(WSIs)의 글리슨 등급을 향상시키기 위해 시아모이드 네트워크를 사용한 비지도 적대적 도메인 적응 방법을 제안한다. GAN 기반 적대적 훈련과 패치 수준 정규화를 통해 소스(라벨이 있는) 도메인과 타겟(라벨이 없는) 도메인 간의 특징 분포를 정렬함으로써, 타겟 도메인에 대한 레이블 없이도 높은 정확도 향상을 달성하였으며, 두 개의 공개 데이터셋과 한 개의 국산 데이터셋에서 최신 기술 수준의 성능을 입증하였다.

ABSTRACT

Automatic and accurate Gleason grading of histopathology tissue slides is crucial for prostate cancer diagnosis, treatment, and prognosis. Usually, histopathology tissue slides from different institutions show heterogeneous appearances because of different tissue preparation and staining procedures, thus the predictable model learned from one domain may not be applicable to a new domain directly. Here we propose to adopt unsupervised domain adaptation to transfer the discriminative knowledge obtained from the source domain to the target domain without requiring labeling of images at the target domain. The adaptation is achieved through adversarial training to find an invariant feature space along with the proposed Siamese architecture on the target domain to add a regularization that is appropriate for the whole-slide images. We validate the method on two prostate cancer datasets and obtain significant classification improvement of Gleason scores as compared with the baseline models.

연구 동기 및 목표

• 기본적으로 기관 간 색소 및 스캐닝 프로토콜의 차이로 인해 발생하는 전립선 조직병리학적 WSI의 도메인 이동 문제를 해결하기 위해.
• 타겟 도메인 WSI에 대한 레이블이 없더라도 라벨이 있는 소스 도메인 데이터만을 사용하여 정확한 글리슨 등급을 도출할 수 있도록 하기 위해.
• 타겟 데이터의 수동 레이블링이 필요 없이도 분류 지식을 효과적으로 전달할 수 있는 도메인 적응 프레임워크를 개발하기 위해.
• 다양한 전체 슬라이드 이미지 분포에서 전립선 암 진단의 분류 정확도와 일반화 능력을 향상시키기 위해.

제안 방법

• 소스 도메인과 타겟 도메인 간의 특징 분포 차이를 최소화하기 위해 생성적 적대적 네트워크(GAN) 손실을 활용한 적대적 도메인 적응을 채택한다.
• 라벨이 있는 WSI에서 교차 엔트로피 손실을 사용해 소스 네트워크를 훈련시켜 저-고 글리슨 등급 분류를 위한 분류 가능한 특징을 학습한다.
• 소스 네트워크에서 초기화된 타겟 네트워크를 구축하고, 도메인 구분자와 함께 공동 최적화하여 도메인 불변 특징을 학습한다.
• 동일한 WSI 내에서 공간적으로 가까운 패치들 간의 일관성을 강제하기 위해 타겟 도메인에 시아모이드 아키텍처를 도입한다.
• 적대적 손실(L_a)과 패치 수준 일관성 손실(L_t)을 조합한 하이브리드 손실을 사용해 특징 일반화와 분류 정확도를 향상시킨다.
• 각 전체 슬라이드 이미지의 최종 글리슨 점수를 결정하기 위해 패치 수준 예측에 다수결 투표를 적용한다.

실험 결과

연구 질문

• RQ1 타겟 도메인 레이블이 없이도 적대적 도메인 적합이 전립선 조직병리학적 WSI의 도메인 이동을 효과적으로 줄일 수 있는가?
• RQ2 패치 수준 정규화를 위한 시아모이드 네트워크를 통합함으로써 타겟 WSI에서의 특징 학습과 분류 성능는 어떻게 향상되는가?
• RQ3 분류 정확도 향상에 있어 적대적 도메인 정렬과 패치 수준 일관성 손실 간의 상대적 기여도는 어떠한가?
• RQ4 제안된 방법은 미리 보지 못한 데이터셋에서 기존 기준 모델에 비해 심각하게 뛰어난 성능을 보일 수 있는가?

주요 결과

• 제안된 방법은 UP 데이터셋(TCGA w/o UP → UP)에서 77.1%의 정확도를 기록하여 기준 모델의 54.3%보다 유의미한 향상을 보였다.
• CINJ 데이터셋(TCGA → CINJ)에서는 75.0%의 정확도를 달성하여 기준 모델(56.3%)과 적대적 손실만을 사용한 모델(62.5%)을 모두 초월했다.
• McNemar의 검정을 통해 TCGA(w/o UP) → UP 적응에서의 정확도 향상은 통계적으로 유의미하다는 것이 확인되었으며(p = 0.039).
• 정성적 히트맵 분석 결과, L_t 손실을 적용한 적응 모델은 고글리슨 등급 영역을 정확히 식별한 반면, 기준 모델과 L_a만을 사용한 모델은 큰 영역을 저등급으로 잘못 분류했다.
• 적응 후의 혼동 행렬 분석 결과, 두 데이터셋 모두에서 고-저 등급 글리슨 점수에 대한 민감도와 특이도가 일관되게 향상된 것으로 나타났다.
• 제거 분석 결과, 적대적 손실(L_a)과 패치 수준 일관성 손실(L_t)을 함께 사용할 경우 L_a만을 사용한 경우보다 뛰어난 성능을 보였다.