[논문 리뷰] Comparison of Different Methods for Tissue Segmentation in Histopathological Whole-Slide Images

Péter Bándi, Rob van de Loo외 6명|arXiv (Cornell University)|2017. 03. 17.

AI in cancer detection인용 수 7

한 줄 요약

이 논문은 전립선, 유방, 뇌 등 다양한 조직 유형과 염색 변형이 있는 3개 연구소에서 수집한 54개의 웨이브슬라이드 이미지(WSI) 데이터셋을 대상으로, 조직 분할을 위한 두 가지 딥러닝 기반의 컬러블 네트워크(CNN) 아키텍처를 제안한다. 기존의 전통적 방법과 비교하여, CNN 모델들은 각각 0.937과 0.929의 유의미하게 높은 재현율 지수(Jaccard index)를 기록하였으며, 이는 다양한 조직 유형과 염색 변화에 걸쳐 뛰어난 정확성과 강건성을 보임을 시사한다.

ABSTRACT

Tissue segmentation is an important pre-requisite for efficient and accurate diagnostics in digital pathology. However, it is well known that whole-slide scanners can fail in detecting all tissue regions, for example due to the tissue type, or due to weak staining because their tissue detection algorithms are not robust enough. In this paper, we introduce two different convolutional neural network architectures for whole slide image segmentation to accurately identify the tissue sections. We also compare the algorithms to a published traditional method. We collected 54 whole slide images with differing stains and tissue types from three laboratories to validate our algorithms. We show that while the two methods do not differ significantly they outperform their traditional counterpart (Jaccard index of 0.937 and 0.929 vs. 0.870, p < 0.01).

연구 동기 및 목표

• 염색의 변동성과 조직 유형의 차이로 인한 조직 탐지의 일관성 부족 문제를 해결하기 위해.
• 디지털 병리학 분야에서 기존의 전통적 접근법과 비교하여 딥러닝 기반 분할 방법의 성능을 평가하기 위해.
• 다양한 연구소에서 수집한 웨이브슬라이드 이미지에 대해 일반화 가능한 강건한 조직 분할 모델을 개발하기 위해.
• 다양한 염색과 조직 유형을 포함한 54개의 웨이브슬라이드 이미지로 구성된 다양한 데이터셋에서 제안된 방법을 검증하기 위해.

제안 방법

• 웨이브슬라이드 이미지 분할을 위해 두 가지 서로 다른 컬러블 네트워크(CNN) 아키텍처를 설계하여, 복잡한 조직 패턴을 포착하기 위해 딥러닝 기반 기법을 활용하였다.
• 모델들은 세 가지 다른 연구소에서 수집한 54개의 웨이브슬라이드 이미지 데이터셋을 기반으로 엔드 투 엔드로 훈련되었다.
• 입력 이미지는 고해상도 및 대용량 웨이브슬라이드 이미지를 처리하기 위해 패치 기반 추론 방식으로 처리되었다.
• 전체 컬러블 네트워크(FCN) 아키텍처를 사용하여 조직 영역에 대한 조밀하고 픽셀 단위의 분할을 가능하게 하였다.
• 비교를 위해 사용된 전통적 방법은 수작업으로 설계된 이미지 특징과 임계값 기반의 기존 비딥러닝 접근법이었다.
• 예측된 조직 영역와 진짜 조직 영역 간의 겹침 정도를 측정하기 위해 재현율 지수(Jaccard index, 교차율)를 사용하여 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 딥러닝 기반의 CNN 아키텍처가 웨이브슬라이드 이미지의 조직 영역 분할에서 기존의 비딥러닝 방법보다 뛰어난 성능을 보일 수 있는가?
• RQ2 제안된 CNN 모델은 다양한 조직 유형과 염색 프로토콜에 걸쳐 얼마나 강건한가?
• RQ3 딥러닝 기반 방법을 사용할 경우, 기존의 전통적 방법 대비 분할 정확도에서 어떤 정량적 향상이 이루어지는가?
• RQ4 제안된 두 가지 CNN 아키텍처는 조직 분할 작업에서 유의미한 성능 차이를 보이는가?

주요 결과

• 제안된 두 가지 딥러닝 기반의 CNN 방법은 각각 재현율 지수 0.937과 0.929를 기록하여, 진짜 조직 분할 결과와 높은 겹침을 보였다.
• 기존의 전통적 방법은 재현율 지수 0.870을 기록하였으며, 이는 두 딥러닝 접근법보다 유의미하게 낮았다(p < 0.01).
• 두 CNN 모델 간의 성능 차이는 통계적으로 유의미하지 않아, 유사한 효과성을 보였다.
• 딥러닝 모델은 3개 연구소에서 수집한 54개의 웨이브슬라이드 이미지로 구성된 다기관 데이터셋에서 다양한 조직 유형과 염색 변화에 걸쳐 강건성을 입증하였다.