[논문 리뷰] CAMEL: A Weakly Supervised Learning Framework for Histopathology Image Segmentation

Gang Xu, Zhigang Song외 7명|arXiv (Cornell University)|2019. 08. 28.

AI in cancer detection참고 문헌 23인용 수 23

한 줄 요약

CAMEL은 단지 영상 수준 레이블만을 사용하여 고도로 품질 높은 개체 수준 레이블을 자동으로 생성하는 통합 다중 개체 학습(cMIL) 접근 방식을 통해 조직병리학 영상 분할을 위한 약한 감독 학습 프레임워크이다. CAMELYON16 및 대장 선종 데이터셋에서 완전 감독 방법과 비교할 만한 분할 성능를 달성하여 수동 애너테이션 없이 자동으로 레이블을 풍부화하는 방법의 효과성을 입증한다.

ABSTRACT

Histopathology image analysis plays a critical role in cancer diagnosis and treatment. To automatically segment the cancerous regions, fully supervised segmentation algorithms require labor-intensive and time-consuming labeling at the pixel level. In this research, we propose CAMEL, a weakly supervised learning framework for histopathology image segmentation using only image-level labels. Using multiple instance learning (MIL)-based label enrichment, CAMEL splits the image into latticed instances and automatically generates instance-level labels. After label enrichment, the instance-level labels are further assigned to the corresponding pixels, producing the approximate pixel-level labels and making fully supervised training of segmentation models possible. CAMEL achieves comparable performance with the fully supervised approaches in both instance-level classification and pixel-level segmentation on CAMELYON16 and a colorectal adenoma dataset. Moreover, the generality of the automatic labeling methodology may benefit future weakly supervised learning studies for histopathology image analysis.

연구 동기 및 목표

• 조직병리학 영상 분할에서 비용이 많이 드는 픽셀 수준 애너테이션에 대한 의존도를 줄이기 위해 단지 영상 수준 레이블을 활용하고자 한다.
• 사용자 제공의 경계 상자나 스케치 없이 영상 수준 레이블에서 개체 수준 레이블로의 약한 감독을 자동으로 풍부화하는 방법을 개발하고자 한다.
• 자동으로 생성된 근사 픽셀 수준 레이블을 사용하여 완전 감독 학습 기반의 분할 모델을 훈련하고자 한다.
• 레이블 풍부화 방법의 일반화 능력을 다양한 조직병리학 데이터셋과 작업에 대해 평가하고자 한다.
• 향후 연구를 지원하기 위해 새로운 대장 선종 데이터셋을 공개하고자 한다.

제안 방법

• CAMEL은 전체 슬라이드 영상(WSI)을 균일한 크기의 격자형 개체로 분할하여 개체 수준 분석을 가능하게 한다.
• Max-Max 및 Max-Min 개체 선택 기준을 통합한 통합 다중 개체 학습(cMIL) 접근 방식을 적용하여 데이터 분포 균형과 레이블 품질 향상을 동시에 달성한다.
• 구축된 개체 수준 데이터셋을 기반으로 cMIL 모델을 훈련시켜 영상 수준 감독에서 개체 수준 레이블을 예측한다.
• 그러한 개체 수준 레이블은 해당하는 픽셀에 직접 할당되어 분할 훈련을 위한 근사 픽셀 수준 마스크를 형성한다.
• 모델 일반화 능력 향상과 성능 향상을 위해 계층적 데이터 증강 전략을 적용한다.
• 풍부화된 픽셀 수준 레이블을 사용하여 분할 모델(예: DeepLabv2, U-Net)의 엔드 투 엔드 훈련을 가능하게 한다.

실험 결과

연구 질문

• RQ1 단지 영상 수준 레이블만을 사용하는 약한 감독 프레임워크가 완전 감독 모델과 비교할 만한 분할 성능를 달성할 수 있는가?
• RQ2 영상 수준 레이블에서 자동으로 생성된 개체 수준 레이블 생성이 기존의 약한 감독 학습 방법보다 조직병리학 분할에서 더 우수한 성능를 낼 수 있는가?
• RQ3 자동으로 생성된 개체 수준 레이블의 품질이 후속 픽셀 수준 분할 성능에 어떤 영향을 미치는가?
• RQ4 cMIL 기반의 레이블 풍부화 방법은 다양한 조직병리학 데이터셋과 종양 유형 간에 일반화 가능한가?
• RQ5 제안된 레이블 풍부화 전략은 과다 레이블링을 줄이면서도 높은 분할 정확도를 유지할 수 있는가?

주요 결과

• CAMELYON16 데이터셋에서 CAMEL은 픽셀 수준 F1 스코어 91.8%와 IoU 84.8%를 기록하여 완전 감독 기반 기준(전체 감독 기준, FSB)과 동일한 성능를 달성했다.
• 160×160 개체 크기를 사용한 CAMEL은 개체 수준 분류에서 민감도 94.7%와 정밀도 94.1%를 기록하여 영상 수준 FSB 및 기타 약한 감독 학습 방법을 초월했다.
• 대장 선종 데이터셋에서 CAMEL은 픽셀 수준 F1 스코어 89.7%(160×160)와 86.1%(320×320)를 기록하여 완전 감독 기반 기준 87.5%에 근접한 성능를 달성했다.
• 더 세밀한 개체 크기(예: 160×160)를 사용함으로써 과다 레이블링이 감소하고 분할 품질이 향상되어, 레이블 생성의 고해상도 해상도의 이점을 입증했다.
• CAMEL은 WILDCAT, DWS-MIL, CDWS-MIL와 같은 최신 약한 감독 학습 방법보다 개체 수준 분류 및 픽셀 수준 분할 모두에서 뛰어난 성능를 보였다.
• 이 프레임워크의 레이블 풍부화 전략은 새로운 대장 선종 데이터셋에 대해서도 잘 일반화되었으며, 다양한 조직병리학 작업 간의 강건성과 이식 가능성(전이 가능성)을 확인했다.