[논문 리뷰] Classification of Histopathology Images of Lung Cancer Using Convolutional Neural Network (CNN)

Neha Baranwal, Preethi Doravari외 1명|arXiv (Cornell University)|2021. 12. 27.

AI in cancer detection인용 수 8

한 줄 요약

이 연구는 H&E 염색 슬라이드에서 정상, 선암세포암, 폐암의 세 가지 유형으로 분류하기 위해 ResNet50, VGG-19, Inception-ResNet-V2 및 DenseNet을 사용한 딥러닝 접근법을 제안한다. 삼중손실을 적용하여 특징의 구분 능력을 향상시켜 암 유형 간의 정확한 구분을 달성함으로써, 병리의사의 작업 부담을 줄이고 더 빠르고 정확한 진단을 지원한다.

ABSTRACT

Cancer is the uncontrollable cell division of abnormal cells inside the human body, which can spread to other body organs. It is one of the non-communicable diseases (NCDs) and NCDs accounts for 71% of total deaths worldwide whereas lung cancer is the second most diagnosed cancer after female breast cancer. Cancer survival rate of lung cancer is only 19%. There are various methods for the diagnosis of lung cancer, such as X-ray, CT scan, PET-CT scan, bronchoscopy and biopsy. However, to know the subtype of lung cancer based on the tissue type H and E staining is widely used, where the staining is done on the tissue aspirated from a biopsy. Studies have reported that the type of histology is associated with prognosis and treatment in lung cancer. Therefore, early and accurate detection of lung cancer histology is an urgent need and as its treatment is dependent on the type of histology, molecular profile and stage of the disease, it is most essential to analyse the histopathology images of lung cancer. Hence, to speed up the vital process of diagnosis of lung cancer and reduce the burden on pathologists, Deep learning techniques are used. These techniques have shown improved efficacy in the analysis of histopathology slides of cancer. Several studies reported the importance of convolution neural networks (CNN) in the classification of histopathological pictures of various cancer types such as brain, skin, breast, lung, colorectal cancer. In this study tri-category classification of lung cancer images (normal, adenocarcinoma and squamous cell carcinoma) are carried out by using ResNet 50, VGG-19, Inception_ResNet_V2 and DenseNet for the feature extraction and triplet loss to guide the CNN such that it increases inter-cluster distance and reduces intra-cluster distance.

연구 동기 및 목표

• 조기이고 정확한 폐암 유형 분류의 급박한 필요성을 해결하여 예후 향상과 치료 계획 수립을 향상시키기 위해.
• H&E 염색 조직병리학적 슬라이드 분석을 자동화하여 병리의사의 진단 부담을 줄이기 위해.
• 사전 훈련된 여러 CNN 아키텍처(ResNet50, VGG-19, Inception-ResNet-V2, DenseNet)가 폐암 조직병리학 영상 분류에 어떻게 성능을 발휘하는지 평가하기 위해.
• 삼중손실을 적용하여 특징 임bedding 공간을 개선하고, 클래스 간 거리를 증가시키며 클래스 내 거리를 감소시키기 위해.

제안 방법

• H&E 염색 폐 조직병리학적 영상에서 특징 추출을 위해 사전 훈련된 네 가지 CNN 모델(ResNet50, VGG-19, Inception-ResNet-V2, DenseNet)을 사용한 전이학습을 활용한다.
• 훈련 중 삼중손실을 적용하여, 같은 클래스의 특징은 가까이, 다른 클래스의 특징은 멀리 떨어지도록 특징 임베딩을 최적화한다.
• 정상, 선암세포암 또는 폐암으로 레이블이 지정된 조직병리학적 영상 데이터셋을 사용해 모델을 훈련시킨다.
• 모델 일반화 능력을 향상시키기 위해 훈련 중 하드 음성 및 양성 쌍을 선택하는 삼중쌍 추출 전략을 적용한다.
• 전역 평균 풀링과 최종 분류 레이어를 사용하여 세 가지 폐암 유형을 예측한다.
• 보류된 테스트 세트에서 정확도, 정밀도, 재현율 및 F1 점수와 같은 표준 지표를 사용해 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 사전 훈련된 CNN 모델이 H&E 염색 조직병리학적 영상에서 폐암 유형을 효과적으로 분류할 수 있는가?
• RQ2 삼중손실을 적용할 경우 폐암 조직병리학 영상 분류에서 CNN 특징의 구분 능력은 어떻게 향상되는가?
• RQ3 ResNet50, VGG-19, Inception-ResNet-V2 및 DenseNet 중에서 어떤 모델이 폐 조직에서 정상, 선암세포암 및 폐암을 가장 잘 구분하는가?
• RQ4 삼중손실은 학습된 특징 공간에서 클래스 내 변동성을 얼마나 줄이고 클래스 간 분리도를 얼마나 증가시키는가?
• RQ5 제안된 방법은 진단 시간을 단축시키고 병리의사가 조기에 정확하게 폐암 유형을 분류하는 데 도움을 줄 수 있는가?

주요 결과

• 제안된 방법은 모든 네 가지 CNN 아키텍처에서 높은 분류 정확도를 달성하였으며, 특히 ResNet50가 가장 뛰어난 성능을 보였다.
• 삼중손실은 특징의 구분 능력을 크게 향상시켜 임베딩 공간에서 세 가지 폐암 유형 간의 분리도를 향상시켰다.
• 삼중손실을 적용한 모델는 기준 모델보다 더 높은 F1 점수와 낮은 클래스 내 분산을 보였다.
• 평가된 모델들 중에서 ResNet50가 정상, 선암세포암 및 폐암 조직을 가장 높은 정확도로 구분하였다.
• 삼중손실 통합은 특히 암 유형 간 미세한 조직학적 차이를 다룰 때 모델의 강인성을 향상시켰다.
• 결과는 삼중손실을 적용한 딥러닝 기반 접근법이 폐암 조직병리학 영상 분류 분야에서 자동화되고 정확하며 효율적인 방법으로 유망하다는 것을 시사한다.