[논문 리뷰] Automatic breast cancer grading in lymph nodes using a deep neural network

Thomas Wollmann, Karl Rohr|arXiv (Cornell University)|2017. 07. 24.

AI in cancer detection참고 문헌 11인용 수 8

한 줄 요약

이 논문은 희소 분류 기반의 빠른 딥러닝 기법을 제안하며, 전체 슬라이드 영상(WSI)에서 림프절의 유방암 등급을 자동으로 평가한다. 밀도 높은 컨볼루션 신경망을 사용하여 색상 임계값을 기반으로 관심 영역(ROI)을 먼저 식별하고, 모델 평균화를 통해 512×512 패치를 분류함으로써 표준 워크스테이션에서 환자 수준의 등급을 4초 이내로 도출한다. 이는 슬라이드 수준의 레이블링만으로도 고속, 정확하고 효율적인 림프절 평가를 가능하게 한다.

ABSTRACT

The progression of breast cancer can be quantified in lymph node whole-slide images (WSIs). We describe a novel method for effectively performing classification of whole-slide images and patient level breast cancer grading. Our method utilises a deep neural network. The method performs classification on small patches and uses model averaging for boosting. In the first step, region of interest patches are determined and cropped automatically by color thresholding and then classified by the deep neural network. The classification results are used to determine a slide level class and for further aggregation to predict a patient level grade. Fast processing speed of our method enables high throughput image analysis.

연구 동기 및 목표

• 전체 슬라이드 영상(WSI)을 활용한 림프절 전이에 대한 수작업 등급 부여의 시간 소모성 및 오류 발생 가능성을 줄이기 위해 자동화를 목적으로 한다.
• 비정보성 조직 영역을 처리하는 데에 비효율적인 밀도 높은 분류 방법의 문제를 해결하기 위해 희소 분류를 도입한다.
• 표준 워크스테이션에서 사용 가능한 빠르고 확장 가능하며 정확한 시스템을 개발하여 임상 현장에 도입할 수 있도록 한다.
• 패치 수준의 레이블링에 의존하지 않고 슬라이드 수준의 레이블링만으로도 환자 수준의 등급 부여를 가능하게 한다.

제안 방법

• 색상 임계값을 기반으로 녹색 대비 빨간색 강도 비율 0.9를 사용하여 관심 영역(ROIs)을 식별하고, 50픽셀 크기의 디스크형 요소를 사용한 중앙값 필터링을 적용한다.
• ROIs에서 64× 축소 비율로 20개의 겹치지 않는 512×512 픽셀 패치를 추출하여 분류한다.
• PReLU 활성화 함수와 글로벌 평균 풀링을 사용한 밀집 연결 컨볼루션 신경망을 사용하여 네 가지 클래스(IEC, 매크로 전이, 마이크로 전이, 부정성)로 조직 분류를 수행한다.
• 모델 평균화는 20개 패치의 클래스 활성화를 합산하고, 슬라이드 수준 분류를 위해 최대 예측 클래스를 선택함으로써 적용된다.
• 데이터 증강은 랜덤 회전, 뒤집기, 색상 이동, 탄성 변형을 포함하여 정확도 및 일반화 능력을 향상시킨다.
• 환자 수준의 등급 부여는 슬라이드 수준 분류 결과를 바탕으로 사전 정의된 임상 규칙(pN0, pN1mi 등)을 사용하여 결정된다.

실험 결과

연구 질문

• RQ1 딥러닝 기반의 희소 분류 접근법이 고속 추론 속도를 유지하면서도 림프절 전이 등급 부여에서 높은 정확도를 달성할 수 있는가?
• RQ2 단일 패치 추론 대비 다수 패치에 걸친 모델 평균화가 분류의 안정성 향상에 얼마나 효과적인가?
• RQ3 패치 수준의 레이블링 없이 슬라이드 수준의 레이블링만으로도 훈련된 모델이 신뢰할 수 있는 성능을 달성할 수 있는가?
• RQ4 색상 임계값과 형태학적 연산이 전체 슬라이드 영상에서 생물학적으로 관련 있는 영역을 효과적으로 분리하여 후속 딥러닝 분류에 활용할 수 있는가?
• RQ5 기존의 밀도 높은 분류 방법과 비교했을 때, 제안된 방법은 속도와 정확도 측면에서 어떻게 성능을 내는가?

주요 결과

• 표준 Intel i7-6700K 워크스테이션과 GTX 1070 GPU 환경에서 단일 512×512 패치 분류에 평균 0.04초가 소요된다.
• 전체 슬라이드 영상 분류가 0.78초 내에 완료되고, 환자 수준의 등급 부여는 환자당 3.90초 내에 수행된다.
• 비정보성 조직 영역을 회피함으로써 생물학적으로 관련 있는 영역에 집중함으로써 높은 처리 속도를 달성한다.
• 20개 패치에 걸쳐 활성화를 합산하고 최대 활성화 클래스를 선택하는 모델 평균화 방법이 분류의 안정성과 성능 향상에 기여했다.
• 패치 수준의 레이블링이 비용이 많이 들기 때문에 실제 임상 적용에 적합한 방법으로, 슬라이드 수준의 레이블링만으로도 훈련이 가능함을 입증했다.
• 64× 확대 비율에서 일관된 처리와 정규화를 통해 WSI의 축소 비율 변화에 대해 강건함을 입증했다.