[논문 리뷰] Classification and Disease Localization in Histopathology Using Only Global Labels: A Weakly-Supervised Approach

Pierre Courtiol, Eric W. Tramel외 2명|arXiv (Cornell University)|2018. 02. 01.

AI in cancer detection참고 문헌 32인용 수 99

한 줄 요약

이 논문은 이미지만 레이블로 사용하여 전체 슬라이드 유병 진단 및 위치화를 수행하는 약지도감 학습 방법 CHOWDER를 제시하며, 픽셀 수준 주석 없이도 경쟁력 있는 결과를 달성합니다.

ABSTRACT

Analysis of histopathology slides is a critical step for many diagnoses, and in particular in oncology where it defines the gold standard. In the case of digital histopathological analysis, highly trained pathologists must review vast whole-slide-images of extreme digital resolution ($100,000^2$ pixels) across multiple zoom levels in order to locate abnormal regions of cells, or in some cases single cells, out of millions. The application of deep learning to this problem is hampered not only by small sample sizes, as typical datasets contain only a few hundred samples, but also by the generation of ground-truth localized annotations for training interpretable classification and segmentation models. We propose a method for disease localization in the context of weakly supervised learning, where only image-level labels are available during training. Even without pixel-level annotations, we are able to demonstrate performance comparable with models trained with strong annotations on the Camelyon-16 lymph node metastases detection challenge. We accomplish this through the use of pre-trained deep convolutional networks, feature embedding, as well as learning via top instances and negative evidence, a multiple instance learning technique from the field of semantic segmentation and object detection.

연구 동기 및 목표

• 히스토패톨로지 이미지 분석에서 픽셀 수준 주석의 높은 비용과 희소성 문제를 해결합니다.
• 전체 슬라이드 라벨만으로 질병 영역을 위치화하는 약지도 학습 접근법을 개발합니다.
• 사전 학습된 CNN 특징과 다중 인스턴스 학습을 활용해 상위 지시 타일과 부정적 증거를 식별합니다.
• 세그먼트 마스크를 필요로 하지 않고 그라운드 트루스 영역과 일치하는 해석 가능한 위치화 맵을 생성합니다.

제안 방법

• 224x224 타일에서 추출한 2048-차원 ResNet-50 특징을 타일 임베딩으로 사용합니다.
• 타일 인덱스에 걸쳐 1차원 임베딩 층을 적용하여 타일 수준의 일관된 임베딩을 생성합니다.
• MIL 기반 분류를 위해 상위 R개 및 하위 R개 타일 임베딩(상위 인스턴스 및 부정적 증거)을 보유합니다.
• 선택된 상위/하위 임베딩에 대해 MLP로 슬라이드 수준 예측을 얻습니다.
• 기본 집계 방법(MaxPool, MeanPool)을 제안된 CHOWDER 방법과 비교합니다.
• Adam으로 이진 교차 엔트로피 손실을 사용하여 학습하고, 일반화 성능을 높이기 위해 앙상블(E 네트워크)을 사용합니다.

실험 결과

연구 질문

• RQ1 전체 슬라이드 이미지에서 픽셀 수준 마스크 없이도 이미지 수준 레이블만으로 질병 위치화를 달성할 수 있는가?
• RQ2 MIL 기반 접근법이 이질적인 WSI 데이터 세트에서 상위 인스턴스와 부정적 증거를 사용하는 방식이 표준 풀링보다 어떤 성능을 보이는가?
• RQ3 CHOWDER가 Camelyon-16 및 TCGA 데이터 세트에서 최첨단 약지도감 방법과 동일하거나 더 높은 성능으로 질병 영역을 위치화할 수 있는 정도는 얼마나 되는가?

주요 결과

• CHOWDER는 데이터 세트 전반에서 강력한 기본 풀링 및 WELDON과 비교하여 경쟁력 있거나 우수한 AUC를 달성합니다.
• Camelyon-16에서 적절한 R을 가진 CHOWDER는 기본값보다 높은 AUC를 달성하고 세그먼트 마스크를 사용하지 않고도 인간 수준의 성능에 근접하게 작동합니다.
• TCGA-Lung에서 CHOWDER는 확산성 질환 체제에서 강건성을 보이며 R이 {1,10,100}일 때 AUC가 약 0.90–0.92 범위로 나타납니다.
• CHOWDER가 생성한 위치화 맵은 픽셀 수준 학습 데이터 없이도 종양 영역을 강조하며 정성적 시각화에서 그라운드 트루스 주석과 밀접하게 일치합니다.
• Camelyon-16에서 가장 강력한 공개 방법과 비교할 때 CHOWDER는 그라운드 트루스 세그먼트 마스크 없이도 성능이 크게 향상되며(Bejnordi et al. 2017에 근접한 AUC), 최상위 공개 방법보다 우수한 성능을 달성합니다.
• 여러 CHOWDER 모델의 앙상블은 작은 데이터 세트 크기와 제한된 하이퍼파라미터 튜닝으로 인해 성능의 안정성을 높이는 데 기여합니다.