[논문 리뷰] CNN-based Approach for Cervical Cancer Classification in Whole-Slide Histopathology Images

Ferdaous Idlahcen, Mohammed Majid Himmi외 1명|arXiv (Cornell University)|2020. 05. 28.

AI in cancer detection인용 수 6

한 줄 요약

이 연구는 헤마토실린-에오신 염색된 전체 슬라이드 영상(WSIs)에서 자궁경부암의 아형—편평상피세포암(SCC)과 선암세포암(AC)—를 분류하기 위해 미세조정된 VGG16 합성곱 신경망을 사용한 전이학습 접근법을 제안한다. 레이블이 부족한 상황에서도 이 방법은 98.26%의 정확도와 97.9%의 F1 스코어를 달성하여, 약한 감독 기반의 계산 기반 병리학에서 뛰어난 성능을 보였다.

ABSTRACT

Cervical cancer will cause 460 000 deaths per year by 2040, approximately 90% are Sub-Saharan African women. A constantly increasing incidence in Africa making cervical cancer a priority by the World Health Organization (WHO) in terms of screening, diagnosis, and treatment. Conventionally, cancer diagnosis relies primarily on histopathological assessment, a deeply error-prone procedure requiring intelligent computer-aided systems as low-cost patient safety mechanisms but lack of labeled data in digital pathology limits their applicability. In this study, few cervical tissue digital slides from TCGA data portal were pre-processed to overcome whole-slide images obstacles and included in our proposed VGG16-CNN classification approach. Our results achieved an accuracy of 98,26% and an F1-score of 97,9%, which confirm the potential of transfer learning on this weakly-supervised task.

연구 동기 및 목표

• 자궁경부암 진단에서 레이블이 부여된 전체 슬라이드 영상(WSIs)의 가용성이 낮은 문제를 해결하기 위해.
• 사전 훈련된 VGG16 모델을 사용한 전이학습의 가능성을 평가하여 H&E 염색된 WSIs에서 SCC와 AC를 분류하기 위해.
• 고해상도, 잡음, 염색 변동성과 같은 WSI 고유의 과제를 체계적 전처리를 통해 극복하기 위해.
• 특히 사하라 이남 아프리카와 같은 자원이 제한된 환경에서 저비용의 강력한 컴퓨터 지원 진단(CADx) 시스템을 개발하기 위해.
• 향후 자궁경부암에서의 딥러닝과 조직형-유전자형 연관성 통합의 기초를 마련하기 위해.

제안 방법

• The Cancer Genome Atlas(TCGA) 데이터베이스를 통해 Genomic Data Commons(GDC) 포털을 이용해 자궁경부암의 H&E 염색 전체 슬라이드 영상(WSIs) 10장을 확보(5개 SCC, 5개 AC).
• 이중선형 보간법을 사용해 20x 확대율로 스케일링하고, 겹치지 않는 1024×1024 패치로 분할하여 WSIs를 전처리.
• Macenko 등이 제안한 방법을 적용해 염색 정규화를 수행하여 슬라이드 간 색상 변동성을 줄이고 일관성을 향상.
• HistoQC와 수작업 점검을 통해 공기 기포, 접힘, 염색 문제 등 잡음이 있는 낮은 품질의 패치를 제외하기 위해 품질 제어 수행.
• 최소 90%의 조직 함량과 하나의 구분 가능한 조직학적 특징을 가진 300개의 SCC 및 300개의 AC 패치를 훈련에 선택.
• 이전에 훈련된 VGG16 모델을 미세조정하기 위해 첫 네 개의 합성곱 블록을 고정하고, 전이학습을 통해 최종 합성곱 및 완전 연결층을 재학습. 이때 이진 교차 엔트로피 손실과 SGD 옵timizer를 사용.

실험 결과

연구 질문

• RQ1 사전 훈련된 VGG16 CNN이 최소한의 레이블 데이터로 전체 슬라이드 영상에서 자궁경부암 아형(SCC 대비 AC)을 효과적으로 분류할 수 있는가?
• RQ2 염색 정규화와 패치 기반 처리 방식이 H&E 염색된 WSIs에서의 분류 성능에 어떤 영향을 미치는가?
• RQ3 전이학습이 자궁경부암의 전체 슬라이드 영상 분류에서 자료 부족 문제를 어느 정도 완화할 수 있는가?
• RQ4 약한 감독 기반 접근법이 전체 슬라이드 영상만을 사용해 SCC와 AC를 임상적으로 유의미한 정확도로 구분할 수 있는가?
• RQ5 잡음 제거 및 조직 함량 필터링이 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 VGG16 기반 전이학습 모델은 자궁경부 병리 영상에서 SCC 대비 AC에 대한 이진 분류 작업에서 테스트 정확도 98.26%를 달성했다.
• 모델의 F1 스코어는 97.9%로, 두 암 아형을 분류할 때 정밀도와 재현율 사이의 균형이 매우 우수함을 나타낸다.
• 정밀도는 96.8%였고 재현율은 99.0%였으며, 선암세포암과 편평상피세포암을 감지하는 데 있어 높은 민감도와 특이도를 보였다.
• 모델의 성능는 훈련 데이터가 제한된 상황에서도 뛰어나, 자원이 제한된 디지털 병리학 환경에서 전이학습의 효과성을 입증했다.
• 염색 정규화와 패치 기반 처리의 활용은 다양한 WSIs 간 특징 일관성 향상과 모델 일반화 능력 향상에 크게 기여했다.
• 결과적으로, 딥러닝 모델이 약한 감독과 최소한의 애너테이션으로도 전문 병리의사 수준의 높은 진단 정확도를 달성할 수 있음을 시사한다.