[논문 리뷰] Classification of Epithelial Ovarian Carcinoma Whole-Slide Pathology Images Using Deep Transfer Learning

Yiping Wang, David Farnell외 7명|arXiv (Cornell University)|2020. 05. 22.

AI in cancer detection참고 문헌 9인용 수 8

한 줄 요약

이 연구는 전이 학습 기반의 두 단계형 딥러닝 프레임워크를 제안하며, 점진적 리사이징과 VGG19 기반의 합성곱 신경망을 사용하여 전체 슬라이드 이미지(WSIs)를 5개의 조직형 하위형태로 분류한다. 이 방법은 슬라이드 수준의 정확도 87.54%와 코헨의 카파 0.8106을 달성하여 표준 CNN과 훈련되지 않은 병리학자들을 능가하며, 디지털 병리학에서 진단의 재현 가능성을 향상시킨다.

ABSTRACT

Ovarian cancer is the most lethal cancer of the female reproductive organs. There are $5$ major histological subtypes of epithelial ovarian cancer, each with distinct morphological, genetic, and clinical features. Currently, these histotypes are determined by a pathologist's microscopic examination of tumor whole-slide images (WSI). This process has been hampered by poor inter-observer agreement (Cohen's kappa $0.54$-$0.67$). We utilized a extit{two}-stage deep transfer learning algorithm based on convolutional neural networks (CNN) and progressive resizing for automatic classification of epithelial ovarian carcinoma WSIs. The proposed algorithm achieved a mean accuracy of $87.54\%$ and Cohen's kappa of $0.8106$ in the slide-level classification of $305$ WSIs; performing better than a standard CNN and pathologists without gynecology-specific training.

연구 동기 및 목표

• 여성 골반 전문 훈련을 받지 않은 병리학자들이 수행하는 상피성 난소암의 조직학적 분류에서 낮은 관찰자 간 일치도(kappa 0.54–0.67) 문제를 해결하기 위해.
• 전체 슬라이드 이미지(WSIs)를 사용하여 상피성 난소암의 다섯 가지 주요 조직형 하위형태를 분류함으로써 진단 정확도와 재현 가능성을 향상시키기 위해.
• WSI 분류에서 저해상도 패치로부터의 맥락 정보와 고해상도 패치로부터의 세부 정보를 효과적으로 균형 잡는 딥러닝 프레임워크를 개발하기 위해.
• 305개의 슬라이드로 구성된 WSI 데이터셋에서 점진적 리사이징을 사용한 전이 학습의 성능을 표준 CNN과 무작위 가중치 초기화 방식과 비교 평가하기 위해.
• 정규화된 패치 수준의 특징 벡터를 기반으로 랜덤 포레스트를 사용하여 패치 수준의 집계를 통해 슬라이드 수준의 분류 성능을 평가하기 위해.

제안 방법

• 두 단계형 전이 학습 접근법을 사용한다: 1단계에서는 256×256 저해상도 패치에서 VGG19 네트워크를 훈련하여 고수준의 맥락적 패턴을 포착한다.
• 2단계에서는 첫 번째 합성곱 블록을 교체하고 두 개의 새로운 무작위 초기화된 합성곱 블록을 추가한 후, 512×512 고해상도 패치에서 재훈련하여 세부 정보를 추출한다.
• 점진적 리사이징을 적용하여 입력 해상도를 점차 증가시켜 모델이 전반적인 맥락과 국소적인 질감 특징을 모두 학습할 수 있도록 한다.
• 패치 수준의 예측 결과를 슬라이드당 5차원 특징 벡터로 집계하며, 각 조직형에 속하는 패치의 수를 나타내고, Z-점수 정규화를 수행한다.
• 패치 수준 훈련 분할에 대응하는 3겹 교차 검증 방식을 사용하여 이 정규화된 특징 벡터를 기반으로 랜덤 포레스트 분류기를 훈련한다.
• 모든 다섯 가지 조직형에 대해 평균 클래스별 정확도, 코헨의 카파, AUC, F1 점수를 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 점진적 리사이징을 적용한 두 단계형 딥러닝 전이 학습 접근법이 표준 CNN보다 상피성 난소암 조직형 분류의 정확도를 향상시킬 수 있는가?
• RQ2 저해상도 패치를 활용해 맥락적 특징을 학습하고 고해상도 패치를 활용해 세부 정보를 추출함으로써 디지털 병리학에서 분류 성능 향상이 가능할까?
• RQ3 ImageNet 사전 훈련 모델에서 전이 학습을 통해 슬라이드 수준의 분류 정확도가 무작위 가중치 초기화보다 얼마나 향상되는가?
• RQ4 훈련되지 않은 병리학자들과 비교했을 때 제안된 방법은 관찰자 간 일치도와 진단 정확도 측면에서 어떤가?
• RQ5 패치 수준의 분류 패턴이 슬라이드 수준의 분류 성능 향상에 기여하는 정도는 어느 정도인가?

주요 결과

• 제안된 두 단계형 전이 학습 모델은 슬라이드 수준의 정확도 87.54%와 코헨의 카파 0.8106을 달성하여 기준 모델보다 유의미하게 뛰어나다.
• 모델은 평균 클래스별 정확도 87.54%와 F1 점수 0.8718을 기록하였으며, HGSOC(90.45%)와 LGSOC(100.0%)에서 가장 높은 성능를 보였다.
• 제안된 방법의 슬라이드 수준 성능은 표준 CNN(기준 1, 정확도 73.77%, 카파 0.5993)과 무작위 가중치 초기화 네트워크(기준 2, 정확도 69.08%, 카파 0.5224)를 모두 능가하였다.
• 모델은 AUC 0.9641을 기록하여 모든 다섯 가지 조직형에서 강력한 분류 능력을 보였다.
• 슬라이드 수준 분류 성능 향상의 주요 원인은 패치 수준의 예측 향상이었으며, 특히 CCOC와 ENOC에서 2단계에서 뚜렷한 향상이 관찰되었다.
• 이 연구는 점진적 리사이징과 전이 학습이 맥락적 특징와 세부 정보를 효과적으로 균형 잡는 데 성공하여 디지털 병리학에서 뛰어난 분류 성능을 달성함을 확인한다.