[논문 리뷰] An Efficient Cervical Whole Slide Image Analysis Framework Based on Multi-scale Semantic and Spatial Deep Features

Ziquan Wei, Shenghua Cheng외 2명|arXiv (Cornell University)|2021. 06. 29.

AI in cancer detection참고 문헌 33인용 수 6

한 줄 요약

이 논문은 자궁경부 WSI 분류를 향상시키기 위해 다중 척도의 의미론적 및 공간적 딥 피처를 일체형 연결 네트워크(InCNet)를 통해 활용하는 경량이고 효율적인 전체 슬라이드 이미지(WSI) 분석 프레임워크인 YOLCO를 제안한다. 겹치는 패치 처리를 줄이고 공간적 보조 정보를 통합함으로써 YOLCO는 다중 코hort WSI 데이터셋에서 2.51배 빠른 추론 속도와 0.872 AUC 스코어를 달성하여 기존 방법들을 능가한다.

ABSTRACT

Digital gigapixel whole slide image (WSI) is widely used in clinical diagnosis, and automated WSI analysis is key for computer-aided diagnosis. Currently, analyzing the integrated descriptor of probabilities or feature maps from massive local patches encoded by ResNet classifier is the main manner for WSI-level prediction. Feature representations of the sparse and tiny lesion cells in cervical slides, however, are still challengeable for the under-promoted upstream encoders, while the unused spatial representations of cervical cells are the available features to supply the semantics analysis. As well as patches sampling with overlap and repetitive processing incur the inefficiency and the unpredictable side effect. This study designs a novel inline connection network (InCNet) by enriching the multi-scale connectivity to build the lightweight model named You Only Look Cytopathology Once (YOLCO) with the additional supervision of spatial information. The proposed model allows the input size enlarged to megapixel that can stitch the WSI without any overlap by the average repeats decreased from $10^3\sim10^4$ to $10^1\sim10^2$ for collecting features and predictions at two scales. Based on Transformer for classifying the integrated multi-scale multi-task features, the experimental results appear $0.872$ AUC score better and $2.51 imes$ faster than the best conventional method in WSI classification on multicohort datasets of 2,019 slides from four scanning devices.

연구 동기 및 목표

• 우수하지 못한 상游 인코더로 인해 희귀하고 작은 병변 세포의 특징 표현이 열악한 자궁경부 WSI 문제를 해결하기 위해.
• 기존 WSI 분석에서 겹치는 패치 샘플링과 반복 처리로 인한 비효율성을 해결하기 위해.
• 자궁경부 세포에 존재하는 미사용 공간 정보를 활용하여 의미론적 이해와 모델 성능을 향상시키기 위해.
• 중복 없이 메가픽셀 크기의 입력을 처리할 수 있는 경량이고 확장 가능한 프레임워크를 개발하여 추론 속도와 일관성을 향상시키기 위해.
• 다양한 스캐닝 장치와 다중 코hort 데이터셋에서 WSI 분류 분야에서 최고 수준의 성능를 달성하기 위해.

제안 방법

• 다중 척도 특징 간 연결을 향상시켜 특징 표현 효율성과 모델의 경량화를 개선하는 일체형 연결 네트워크(InCNet)를 설계하기 위해.
• 자궁경부 세포의 공간적 맥락을 유지하고 활용하기 위해 공간적 특징에 추가 보조 정보를 도입하여 의미론적 이해를 향상시키기 위해.
• 겹치는 패치 샘플링을 제거함으로써 입력 크기를 메가픽셀 수준까지 확장시키며, 평균 반복 횟수를 10³–10⁴에서 10¹–10²으로 감소시키기 위해.
• 다중 척도 및 다중 작업 특징을 통합하여 강력한 WSI 수준 예측을 수행하기 위해 트랜스포머 기반 분류기 사용하기 위해.
• 일반화를 보장하기 위해 네 대의 다른 스캐닝 장치에서 확보한 2,019개의 자궁경부 WSI 슬라이드에서 종합적으로 모델을 훈련하고 평가하기 위해.

실험 결과

연구 질문

• RQ1 다중 척도의 의미론적 및 공간적 특징은 자궁경부 WSI에서 희귀하고 작은 병변 세포의 탐지에 도움이 될 수 있는가?
• RQ2 겹치는 패치 샘플링을 제거하면 WSI 분석에서 추론 효율성과 예측 일관성에 어떤 영향을 미치는가?
• RQ3 추가적인 공간적 보조 정보는 자궁경부 WSI 분류에서 딥 러닝 모델의 성능 향상에 어느 정도 기여하는가?
• RQ4 YOLCO와 같은 경량 모델은 기존 방법과 비교해 뚜렷한 추론 시간 단축을 이룰 수 있으면서도 높은 정확도를 유지할 수 있는가?
• RQ5 제안된 프레임워크는 다양한 스캐닝 장치에서 확보한 다수의 WSI 데이터셋에 대해 얼마나 잘 일반화되는가?

주요 결과

• 제안된 YOLCO 프레임워크는 다중 코hort WSI 데이터셋에서 0.872 AUC 스코어를 달성하여 기존 최고의 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 겹치는 패치 샘플링을 제거함으로써 평균 반복 특징 및 예측 계산 횟수를 10³–10⁴에서 10¹–10²으로 감소시켰다.
• 최고의 기존 방법 대비 2.51배 빠른 추론 시간을 기록했으며, 높은 진단 정확도를 유지했다.
• 공간적 보조 정보 통합으로 인해 작은 병변 세포 및 희귀 병변 세포의 특징 표현이 향상되어 모델 감도가 향상되었다.
• 중복 없이 메가픽셀 크기의 입력을 성공적으로 처리함으로써 다양한 스캐닝 장치에서 효율적이고 확장 가능한 WSI 분석이 가능해졌다.