[논문 리뷰] CoNIC: Colon Nuclei Identification and Counting Challenge 2022

Simon Graham, Mostafa Jahanifar외 7명|arXiv (Cornell University)|2021. 11. 29.

AI in cancer detection참고 문헌 12인용 수 4

한 줄 요약

CoNIC 2022 챌린지는 병리학에서의 핵 세분화, 분류, 세그먼테이션을 향상시키기 위해 약 50만 개의 표준화된 핵을 포함한 대규모 공개 데이터셋을 도입한다. 이 데이터셋은 심층 학습 기반의 핵 세분화, 분류, 세그먼테이션 방법을 발전시키기 위한 것으로, 정확도와 입력 변형에 대한 강건성에 대해 평가한다. Docker 기반 제출 방식과 HoVer-Net 기반 기준 모델을 활용한 표준화된 벤치마크를 제공한다.

ABSTRACT

Nuclear segmentation, classification and quantification within Haematoxylin & Eosin stained histology images enables the extraction of interpretable cell-based features that can be used in downstream explainable models in computational pathology (CPath). However, automatic recognition of different nuclei is faced with a major challenge in that there are several different types of nuclei, some of them exhibiting large intra-class variability. To help drive forward research and innovation for automatic nuclei recognition in CPath, we organise the Colon Nuclei Identification and Counting (CoNIC) Challenge. The challenge encourages researchers to develop algorithms that perform segmentation, classification and counting of nuclei within the current largest known publicly available nuclei-level dataset in CPath, containing around half a million labelled nuclei. Therefore, the CoNIC challenge utilises over 10 times the number of nuclei as the previous largest challenge dataset for nuclei recognition. It is important for algorithms to be robust to input variation if we wish to deploy them in a clinical setting. Therefore, as part of this challenge we will also test the sensitivity of each submitted algorithm to certain input variations.

연구 동기 및 목표

• 대규모 공개 데이터셋을 활용하여 병리학에서의 자동 핵 인식 기술 혁신을 이끌기 위해.
• 심층 학습 모델이 핵 인스턴스 세분화, 분류 및 세포 조성(수세기) 작업에서 어떻게 성능을 내는지 평가하기 위해.
• 임상 적용을 위한 핵심 요구사항인 입력 변형에 대한 강건성 평가를 위해.
• Docker 기반 제출 방식과 기준 모델(HoVer-Net)을 제공하여 방법 비교를 위한 표준화된 벤치마크를 제공하기 위해.
• 메서드 투명성 확보 및 중복 제출 방지를 위해 기술 논문 발표를 장려하기 위해.

제안 방법

• 챌린지는 대장 조직에서 20× 배율로 촬영한 4,981장의 웨이트 슬라이드 패치(256×256)로 구성된 Lizard 데이터셋을 사용하며, 모든 핵 인스턴스와 카테고리에 대한 완전한 표준화된 레이블이 제공된다.
• 참가자들은 재현성과 표준화를 확보하기 위해 도커 컨테이너를 통한 완전 자동 모델 제출을 의무화한다.
• 두 가지 주요 과제가 정의된다: (1) 핵 인스턴스 세분화 및 분류, (2) 명시적인 경계 국소화 없이 세포 조성(수세기) 수행.
• 평가 기준은 인스턴스 세분화 지표(예: 평균 DSC, 평균 IoU)와 세포 유형별 R² 및 평균 절대 오차(MAE)를 사용하여 수세기 성능을 평가한다.
• HoVer-Net 기반 기준 모델이 제공되어 세분화 및 분류 성능 비교를 가능하게 한다.
• 입력 변형에 대한 강건성은 챌린지 후에 평가되며, 랭킹 평가에는 사용되지 않지만, 임상 적용 가능성 평가를 위해 수행된다.

실험 결과

연구 질문

• RQ1 심층 학습 모델은 대장 조직의 다양한 핵 유형에 대해 얼마나 잘 인스턴스 세분화 및 분류를 수행할 수 있는가?
• RQ2 명시적인 핵 경계 국소화 없이도 모델은 세포 조성(각 세포 유형의 수)을 얼마나 정확하게 예측할 수 있는가?
• RQ3 최신 기술 모델은 이미지 전처리나 변형과 같은 입력 변형에 얼마나 민감한가?
• RQ4 이 데이터셋으로 훈련된 모델은 새로운 데이터나 다른 조직으로 일반화되는 정도는 어느 정도인가?
• RQ5 모델 아키텍처와 훈련 전략은 임상 적용에 적합한 환경에서 성능과 강건성에 어떤 영향을 미치는가?

주요 결과

• CoNIC 데이터셋은 약 50만 개의 표준화된 핵을 포함하고 있으며, 이는 이전까지 가장 큰 핵 인식 챌린지 데이터셋보다 10배 이상 크다.
• Lizard 데이터셋은 정상, 염증성, 이형변성성, 악성 종양 상태를 포함한 6종의 다른 대장 조직 출처에서 유래한 핵을 포함하여 데이터셋의 다양성을 향상시킨다.
• Docker 기반 제출 방식을 활용한 표준화된 평가 프로토콜을 통해 재현성과 공정성을 확보한다.
• HoVer-Net 기반 기준 모델이 제공되어 세분화 및 분류 성능 비교를 직접 가능하게 한다.
• 입력 변형에 대한 강건성은 챌린지 후에 평가되었으며, 임상 적용 준비도의 핵심 격차를 드러냈다.
• 참가자들은 메서드 투명성 확보 및 챌린지 후 분석을 위해 LNCS 형식의 4페이지 분량 기술 논문 제출을 의무화한다.