[논문 리뷰] Bending Loss Regularized Network for Nuclei Segmentation in Histopathology Images

Haotian Wang, Min Xian외 1명|arXiv (Cornell University)|2020. 02. 03.

AI in cancer detection참고 문헌 21인용 수 6

한 줄 요약

이 논문은 병변이 겹치는 경우에도 세포핵 분할을 향상시키기 위해 굽힘 손실 정규화 네트워크를 제안한다. 학습 중 높은 곡률을 가지는 윤곽점에 대해 보상함으로써, 매끄럽고 세포핵 전용 윤곽선을 유도하는 방법으로, MoNuSeg 데이터셋에서 Dice, Jaccard, Pan-optic Quality를 포함한 여러 지표에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Separating overlapped nuclei is a major challenge in histopathology image analysis. Recently published approaches have achieved promising overall performance on public datasets; however, their performance in segmenting overlapped nuclei are limited. To address the issue, we propose the bending loss regularized network for nuclei segmentation. The proposed bending loss defines high penalties to contour points with large curvatures, and applies small penalties to contour points with small curvature. Minimizing the bending loss can avoid generating contours that encompass multiple nuclei. The proposed approach is validated on the MoNuSeg dataset using five quantitative metrics. It outperforms six state-of-the-art approaches on the following metrics: Aggregate Jaccard Index, Dice, Recognition Quality, and Pan-optic Quality.

연구 동기 및 목표

• 디지털 병리학에서 흔한 문제인 조직병리학 영상에서 겹치는 세포핵을 정확하게 분할하는 데 도전한다.
• 다중 세포핵을 둘러싸는 윤곽선을 생성하는 것을 막기 위해 모델이 생성하는 윤곽선이 세포핵을 여러 개 포함하지 않도록 유도한다.
• 기하 곡률에 기반한 새로운 손실 함수를 도입하여 경계 예측을 정규화한다.
• 특히 겹치는 세포핵을 처리하는 데 있어 표준 세포핵 분할 벤치마크에서 뛰어난 성능을 달성한다.
• Aggregate Jaccard Index 및 Pan-optic Quality를 포함한 여러 정량적 지표를 사용하여 MoNuSeg 데이터셋에서 방법을 검증한다.

제안 방법

• 제안된 방법은 곡률이 큰 윤곽점에 대해 더 높은 보상을 부여하는 굽힘 손실을 도입하여, 더 매끄럽고 정확한 세포핵 윤곽선을 유도한다.
• 굽힘 손실은 표준 이진 교차 엔트로피 손실 또는 Dice 손실과 함께 딥 러닝 분할 네트워크의 학습 목표에 통합된다.
• 손실 함수는 미분 기하학에서 유도되며, 예측된 분할 윤곽선의 곡률을 계산하고 비선형적으로 보상한다.
• 네트워크 아키텍처는 병합된 손실을 사용하여 엔드 투 엔드로 학습되며, 픽셀 수준의 정확성과 세포핵 윤곽선의 기하학적 충실도를 동시에 최적화한다.
• MoNuSeg 벤치마크 데이터셋에서 다섯 가지 표준 지표를 사용하여 평가되며, Aggregate Jaccard Index 및 Pan-optic Quality를 포함한다.

실험 결과

연구 질문

• RQ1 곡률 기반 손실 함수는 조직병리학 영상에서 겹치는 세포핵의 분할 성능을 향상시킬 수 있는가?
• RQ2 높은 곡률을 가지는 윤곽점에 대한 보상은 더 정확하고 생물학적으로 타당한 세포핵 윤곽선을 유도하는가?
• RQ3 MoNuSeg 벤치마크에서 굽힘 손실 정규화 네트워크는 최신 기술 수준의 방법들과 비교해 어떤 수준의 분할 품질을 보이는가?
• RQ4 굽힘 손실은 모델이 여러 개의 세포핵을 하나의 분할 영역으로 융합하는 경향을 어느 정도 감소시키는가?

주요 결과

• 제안된 방법은 MoNuSeg 데이터셋에서 Aggregate Jaccard Index 측면에서 여섯 가지 최신 기술 수준의 방법들을 능가한다.
• 비교된 모든 방법들 중에서 가장 높은 Dice 점수를 기록하여 예측된 세포핵과 진짜 세포핵 간의 겹침이 뛰어나다는 것을 나타낸다.
• 개별 세포핵 탐지 및 분할 정확도를 평가하는 Recognition Quality 지표에서 최고 성능을 기록한다.
• Pan-optic Quality 점수도 가장 높아, 인스턴스 분할과 세그멘테이션 측면에서 모두 뛰어난 성능을 보였다.