[논문 리뷰] Classification and Retrieval of Digital Pathology Scans: A New Dataset

Morteza Babaie, Shivam Kalra외 6명|arXiv (Cornell University)|2017. 05. 22.

AI in cancer detection참고 문헌 29인용 수 4

한 줄 요약

이 논문은 24종의 다양한 조직 텍스처에서 유도된 1,325개의 전체 슬라이드 이미지 패치(1000×1000)로 구성된 새로운 데이터셋인 Kimia Path24를 소개한다. 이 데이터셋은 최대 50,000개의 패치를 활용한 학습을 가능하게 하며, LBP, bag-of-words, CNN을 활용한 벤치마크를 설정하여 CNN 기반 모델이 최고 41.80%의 정확도를 기록함으로써 고해상도 병리학 이미지에서의 텍스처 기반 분류 과제의 난이도를 부각시킨다.

ABSTRACT

In this paper, we introduce a new dataset, extbf{Kimia Path24}, for image classification and retrieval in digital pathology. We use the whole scan images of 24 different tissue textures to generate 1,325 test patches of size 1000$ imes$1000 (0.5mm$ imes$0.5mm). Training data can be generated according to preferences of algorithm designer and can range from approximately 27,000 to over 50,000 patches if the preset parameters are adopted. We propose a compound patch-and-scan accuracy measurement that makes achieving high accuracies quite challenging. In addition, we set the benchmarking line by applying LBP, dictionary approach and convolutional neural nets (CNNs) and report their results. The highest accuracy was 41.80\% for CNN.

연구 동기 및 목표

• 기계 학습을 활용한 고해상도 디지털 병리학 전체 슬라이드 이미지(WSI)의 분류 및 검색 과제를 해결하기 위해.
• 텍스처 기반 분류 및 검색을 위한 표준화된 벤치마크 데이터셋을 제공하기 위해.
• 기존 방법(LBP, bag-of-words)과 딥러닝(CNN)의 성능을 새로운 다양하고 도전적인 조직 텍스처 데이터셋에서 평가하기 위해.
• 임상적 맥락에서의 검색 성능를 반영하기 위해 패치 수준 및 스캔 수준 정확도를 조합한 복합 정확도 지표를 설정하기 위해.
• 유연한 학습 패치 생성과 표준화된 테스트 패치를 제공함으로써 재현 가능한 평가를 가능하게 하기 위해.

제안 방법

• 데이터셋인 Kimia Path24는 다양한 조직 텍스처에서 유도된 24개의 전체 슬라이드 이미지로 구성되며, 수작업으로 선별된 1,325개의 테스트 패치(1000×1000 픽셀, 0.5mm×0.5mm)를 포함한다.
• 학습 패치는 설정 가능한 파라미터를 통해 생성되며, 40% 겹침 비율과 99% 동질성 기준을 적용하여 설정에 따라 27,000개에서 50,000개 이상의 패치를 생성할 수 있다.
• 패치 수준 및 스캔 수준 정확도를 조합하여 임상적 맥락에서의 검색 성능를 반영하는 복합 정확도 지표를 제안한다.
• 세 가지 기준 모델을 평가한다: 다양한 거리 측정 방식(L1, L2, χ²)을 사용한 局부 이진 패턴(LBP), 원시 및 LBP 특징을 사용한 bag-of-words(BoW) 모델, 그리고 두 가지 CNN 아키텍처(CNN1 및 CNN2).
• CNN1은 ReLU 활성화 함수, Adam 옵timizer, 다중 분류 교차 엔트로피 손실 함수를 사용하여 128×128 크기로 리사이징된 패치에서부터 학습을 시작한다.
• 데이터 증강 기법으로 이중선형 보간과 기울기 기반 필터링을 적용하여 고대비 영역을 유지한다.

실험 결과

연구 질문

• RQ1 기계 학습 모델은 고해상도 전체 슬라이드 이미지에서 조직 텍스처 패치를 효과적으로 분류하고 검색할 수 있는가?
• RQ2 다양한 조직 텍스처 데이터셋에서 전통적인 텍스처 기술자(LBP)와 딥러닝(CNN)의 성능는 어떻게 비교되는가?
• RQ3 복합 패치-스캔 정확도 지표는 디지털 병리학에서의 실제 검색 과제를 어느 정도 반영하는가?
• RQ4 학습 데이터 크기 및 패치 선택 파라미터의 변동이 모델의 일반화 능력과 정확도에 어떤 영향을 미치는가?
• RQ5 공간적 및 기하학적 관계를 무시한 간단한 표현 방식인 bag-of-words가 딥러닝을 능가할 수 있는가?

주요 결과

• 가장 높은 분류 정확도는 CNN(CNN1)을 사용하여 41.80%를 기록하였으며, 이는 복합 정확도 지표에서 모든 다른 방법보다 뛰어난 성능을 보였다.
• LBP(24,3) 이웃 및 L1 거리 측정 방식이 패치 수준 정확도 66.11%와 총 정확도 41.33%를 기록하여 2위를 차지했다.
• 원시 특징을 사용한 bag-of-words(BoW) 모델은 총 정확도 39.65%를 기록했으며, LBP 기반 BoW는 38.37%의 정확도를 기록했다.
• 드롭아웃과 L2 정규화를 적용한 더 얕은 아키텍처인 CNN2는 총 정확도 40.24%를 기록하여, 더 나은 아키텍처나 데이터로 개선 가능성을 시사했다.
• 전체 해상도로 이미지를 처리함에도 불구하고 LBP가 경쟁 가능한 성능을 기록하여, 텍스처 구분 능력에서의 강점을 입증했다.
• 결과적으로 고해상도 패치와 다양한 학습 데이터를 사용하더라도 디지털 병리학에서의 텍스처 기반 분류 과제는 여전히 도전적인 과제임을 입증했다.