[논문 리뷰] Colorectal cancer diagnosis from histology images: A comparative study

Junaid Malik, Serkan Kıranyaz외 5명|arXiv (Cornell University)|2019. 03. 27.

AI in cancer detection참고 문헌 37인용 수 23

한 줄 요약

이 연구는 저해상도이자 희소하게 주석이 달린 조직학적 영상에서 대장암 진단을 위한 새로운 적응형이고 컴팩트한 합성곱 신경망(CNN) 아키텍처를 제안한다. 이는 전통적인 특징 기반 방법과 전이 학습 접근 방식을 모두 능가하는 암 검출 정확도를 보이며, 생물의학 영상에서 흔한 데이터 부족 문제를 해결한다. 이 방법은 사전 학습 없이 끝내기에서부터 학습된다.

ABSTRACT

Computer-aided diagnosis (CAD) based on histopathological imaging has progressed rapidly in recent years with the rise of machine learning based methodologies. Traditional approaches consist of training a classification model using features extracted from the images, based on textures or morphological properties. Recently, deep-learning based methods have been applied directly to the raw (unprocessed) data. However, their usability is impacted by the paucity of annotated data in the biomedical sector. In order to leverage the learning capabilities of deep Convolutional Neural Nets (CNNs) within the confines of limited labelled data, in this study we shall investigate the transfer learning approaches that aim to apply the knowledge gained from solving a source (e.g., non-medical) problem, to learn better predictive models for the target (e.g., biomedical) task. As an alternative, we shall further propose a new adaptive and compact CNN based architecture that can be trained from scratch even on scarce and low-resolution data. Moreover, we conduct quantitative comparative evaluations among the traditional methods, transfer learning-based methods and the proposed adaptive approach for the particular task of cancer detection and identification from scarce and low-resolution histology images. Over the largest benchmark dataset formed for this purpose, the proposed adaptive approach achieved a higher cancer detection accuracy with a significant gap, whereas the deep CNNs with transfer learning achieved a superior cancer identification.

연구 동기 및 목표

• 딥 러닝을 활용해 대장암 진단에서 제한된 주석이 달린 조직병리학 데이터에 도전한다.
• 작은 데이터에 적합한 경량이며 재학습 가능한 CNN을 새로 설계하여 생물의학 영상 분석에서의 데이터 부족과 저해상도 제약을 극복한다.
• 암 검출 및 식별을 위한 전통적인 수작업 특징 방법, 전이 학습 기반 딥 러닝, 그리고 새로운 적응형 CNN 아키텍처를 비교한다.
• 실제 데이터 제약 조건에서 가장 효과적인 접근 방식을 파악하기 위해 대규모 벤치마크 데이터셋에서 성능을 평가한다.

제안 방법

• 소규모, 저해상도 조직학적 영상 데이터셋에서 끝내기에서부터 학습할 수 있도록 특별히 설계된 새로운 적응형이고 컴팩트한 CNN 아키텍처를 제안한다.
• 사전 학습 모델이나 전이 학습에 의존하지 않고 원시 조직학적 영상에서 엔드 투 엔드 학습을 수행한다.
• 제한된 데이터에 적합한 아키텍처 제약 조건을 활용하여 효율성과 일반화 능력을 최적화한다.
• 표준 딥 러닝 학습 절차(예: 확률적 경사 하강법, 배치 정규화)를 소규모 생물의학 데이터에 맞게 조정한다.
• 학습 샘플 수가 적은 상황에서도 강건성과 일반화 능력을 향상시키기 위해 데이터 증강 기법을 적용한다.
• 동일한 평가 프로토콜을 사용하여 제안된 방법을 전통적인 텍스처/형태 기반 특징 추출 및 전이 학습 기반 CNN과 비교한다.

실험 결과

연구 질문

• RQ1 데이터 부족 조건에서, 사전 학습 없이 끝내기에서부터 학습하는 컴팩트하고 적응형 CNN이 전이 학습 기반 모델보다 대장암 검출에서 뛰어난 성능을 보일 수 있는가?
• RQ2 사용자 정의된 CNN 아키텍처는 조직학적 영상 분류에서 전통적인 특징 기반 방법과 비교해 어떻게 성능을 발휘하는가?
• RQ3 저해상도이자 자료가 제한된 조직병리학 환경에서, 전이 학습과 끝내기에서부터 학습하는 방식 중 어느 것이 더 효과적인가?
• RQ4 제안된 아키텍처는 계산 효율성을 유지하면서도 뛰어난 암 검출 정확도를 달성하는가?
• RQ5 다양한 접근 방식은 조직학적 영상에서 특정 암 아형이나 영역을 식별하는 데 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 적응형 CNN은 벤치마크 데이터셋에서 가장 높은 암 검출 정확도를 기록했으며, 전통적 방법과 전이 학습 기반 기준선을 크게 능가했다.
• 전이 학습 기반 모델은 암 식별 작업에서 뛰어난 성능을 보였으며, 미세한 분류를 위한 더 나은 특징 표현 학습 능력을 보였다.
• 제안된 방법은 저해상도 영상에서 강력한 일반화 능력을 보였으며, 주석이 제한된 데이터 조건에서도 효과적이었다.
• 전통적인 특징 기반 방법은 복잡한 조직 패턴 인식에서 딥 러닝 접근 방식에 비해 떨어지는 성능을 보였다.
• 컴팩트한 CNN 설계 덕분에 사전 학습 없이도 효과적인 학습이 가능해졌으며, 대규모 외부 데이터셋에 대한 의존도가 감소했다.
• 정량적 평가 결과 제안된 방법의 강건성과 효율성이 확인되어, 자료가 제한된 임상 환경에서의 구현에 적합하다.