[논문 리뷰] An attention-based multi-resolution model for prostate whole slide imageclassification and localization

Jiayun Li, Wenyuan Li외 4명|arXiv (Cornell University)|2019. 05. 30.

AI in cancer detection참고 문헌 39인용 수 35

한 줄 요약

논문은 전립선 전체 슬라이드 이미징(WSI) 분류 및 약한 감독 하의 ROI 위치화를 위한 두 단계 주의 기반 MIL 모델을 제시하며, 슬라이드 라벨만으로도 슬라이드 수준 등급에서 최첨단 정확도를 달성한다.

ABSTRACT

Histology review is often used as the `gold standard' for disease diagnosis. Computer aided diagnosis tools can potentially help improve current pathology workflows by reducing examination time and interobserver variability. Previous work in cancer grading has focused mainly on classifying pre-defined regions of interest (ROIs), or relied on large amounts of fine-grained labels. In this paper, we propose a two-stage attention-based multiple instance learning model for slide-level cancer grading and weakly-supervised ROI detection and demonstrate its use in prostate cancer. Compared with existing Gleason classification models, our model goes a step further by utilizing visualized saliency maps to select informative tiles for fine-grained grade classification. The model was primarily developed on a large-scale whole slide dataset consisting of 3,521 prostate biopsy slides with only slide-level labels from 718 patients. The model achieved state-of-the-art performance for prostate cancer grading with an accuracy of 85.11\% for classifying benign, low-grade (Gleason grade 3+3 or 3+4), and high-grade (Gleason grade 4+3 or higher) slides on an independent test set.

연구 동기 및 목표

• 슬라이드 수준 라벨(약한 감독)만으로 WSI의 전립선 암 등급 문제에 도전합니다.
• 등급 및 위치 지정을 위해 정보를 제공하는Tile를 식별하기 위한 주의 메커니즘이 포함된 MIL 프레임워크를 개발합니다.
• 경로학자 워크플로우를 모방하는 2단계 다해상도 접근법을 구현합니다(저해상도 스크리닝 후 고해상도 등급 결정).
• 대규모 데이터셋에서 최첨단 정확도를 증명하고 ROI 위치화를 위한 해석 가능한 주의 맵을 제공합니다.

제안 방법

• Tile에서 인스턴스 수준 특징을 추출하는 CNN 백본을 사용합니다.
• 인스턴스 가중치를 계산하고 슬라이드 분류를 위한 배 수준 임베딩을 생성하는 주의 모듈을 통합합니다.
• 학습 중 정보가 풍부한 영역의 탐색을 촉진하기 위해 인스턴스 드롭아웃을 적용합니다.
• 클러스터링된 인스턴스 특징(PCA 축소 특징의 축)과 클러스터별 주의를 집계하여 ROI 선택을 안내합니다.
• 두 단계 WSI 파이프라인을 운영합니다: 1단계는 5x에서 암 여부를 분류하고, 2단계는 10x에서 선택된 tile을 양성, 저등급, 고등급으로 등급합니다.
• 두 단계 모두의 특징 추출기를 초기화하기 위해 타일 수준 데이터셋의 전이 학습을 사용합니다.

실험 결과

연구 질문

• RQ1 주의를 가진 약한 감독 MIL이 WSIs에서 정보가 풍부한 영역을 로컬라이즈하면서도 슬라이드 수준 등급의 정확성을 달성할 수 있는가?
• RQ2 2단계 다해상도 접근법이 단일 단계 방법에 비해 Gleason 등급 분류를 개선하는가?
• RQ3 클러스터링 기반 ROI 선택이 정보 영역의 탐지 및 전체 정확도에 어떤 영향을 미치는가?

주요 결과

• independents 시험 세트에서 860장의 슬라이드/227명의 환자로부터 슬라이드 수준 등급(양성, 저등급, 고등급)에서 85.11%의 정확도를 달성했습니다.
• 클러스터링 기반 주의가 있는 2단계 모델이 단일 단계 및 기본 주의 모델보다 우수했으며, 단일 단계 기준선 대비 상대적으로 7% 이상 정확도 향상을 보였습니다.
• 드롭아웃이 있는 주의 맵은 드롭아웃이 없는 모델보다 ROI 위치화를 더 포괄적으로 만들었습니다.
• Blue ratio 기반 ROI 선택(br-two-stage)과 비교 시, 주의 기반 ROI 접근 방식이 더 높은 정확도를 보였습니다(att-cluster-two-stage 85.11% 대 br-two-stage 80.11%).
• Cedars-Sinai 타일 데이터세트의 전이 학습은 일부 이점을 제공했지만, 비전이 모델은 84.30%에 도달했습니다.