[논문 리뷰] Coupling weak and strong supervision for classification of prostate cancer histopathology images

Eirini Arvaniti, Manfred Claassen|arXiv (Cornell University)|2018. 11. 16.

AI in cancer detection참고 문헌 7인용 수 13

한 줄 요약

이 논문은 전립선암 Gleason 점수 분류를 위해 대규모 약한 레이블이 부여된 전체 슬라이드 이미지 데이터셋(TCGA)과 소규모 강한 레이블이 부여된 조직 미세진단 이미지 데이터셋(TMA)을 동시에 학습하는 자기 가중 약한 감독 방법을 제안한다. 모델 예측 신뢰도 점수를 사용해 약한 감독 신호를 동적으로 가중함으로써 일반화 능력을 향상시키고, TCGA WSIs에서 AUC 0.882 및 Kendall’s τ 0.540의 최신 기술 수준(SOTA) 성능을 달성한다.

ABSTRACT

Automated grading of prostate cancer histopathology images is a challenging task, with one key challenge being the scarcity of annotations down to the level of regions of interest (strong labels), as typically the prostate cancer Gleason score is known only for entire tissue slides (weak labels). In this study, we focus on automated Gleason score assignment of prostate cancer whole-slide images on the basis of a large weakly-labeled dataset and a smaller strongly-labeled one. We efficiently leverage information from both label sources by jointly training a classifier on the two datasets and by introducing a gradient update scheme that assigns different relative importances to each training example, as a means of self-controlling the weak supervision signal. Our approach achieves superior performance when compared with standard Gleason scoring methods.

연구 동기 및 목표

• 전립선암 조직학에서 ROI 수준의 Gleason 패턴 레이블이 제한적인 문제를 해결하기 위해 약한(환자 수준) 및 강한(패치 수준) 레이블을 융합한다.
• 큰 약한 레이블이 부여된 데이터셋과 작은 강한 레이블이 부여된 데이터셋이 함께 존재할 때, 전체 슬라이드 이미지에서의 분류 성능을 향상시키기 위해 노력한다.
• TMA 및 TCGA 데이터셋 간의 도메인 차이를 줄이기 위해 염색 전이 및 색상 증강을 적용한다.
• 모델의 신뢰도에 기반해 약한 감독 신호의 기여도를 적응적으로 조절하는 자기 가중 메커니즘을 개발한다.

제안 방법

• 이 방법은 두 단계의 기울기 갱신 방식을 사용해, TCGA(약한 레이블) 및 TMA(강한 레이블) 데이터셋을 동시에 학습하는 ResNet18 분류기 모델을 훈련한다.
• 약한 감독 신호는 각 예제의 신뢰도 점수, 즉 올바른 약한 레이블에 대한 예측 확률로 계산된 점수에 의해 가중되며, 잘못 레이블이 지정되거나 모호한 패치의 영향을 줄인다.
• TCGA(대상)와 TMA(원천) 데이터셋 간의 공변량 이동을 완화하기 위해 염색 전이 및 색상 왜곡을 적용한다.
• 알고리즘 1을 통해 자기 가중 훈련 전략을 구현하며, 강한 레이블 및 약한 레이블의 역전파를 신뢰도 가중 기울기로 번갈아 수행한다.
• MMD, CORAL, 적대적 훈련과 같은 도메인 적응 기법을 평가했지만, 염색 전이 및 색상 증강보다 성능이 열 劣하다는 것이 확인되었다.
• 5겹 교차 검증을 통해 AUC, 정확도, 임상 Gleason 점수 그룹과의 Kendall’s τ 상관관계를 기반으로 성능을 평가한다.

실험 결과

연구 질문

• RQ1 제한된 ROI 수준의 annotation이 존재할 때, 약한 감독과 강한 감독을 융합함으로써 전립선암 전체 슬라이드 이미지의 분류 성능 향상이 가능한가?
• RQ2 학습 중에 노이즈가 많거나 잘못 정렬된 약한 감독 신호의 영향을 어떻게 줄일 수 있는가?
• RQ3 TMA 및 TCGA 조직학적 데이터셋 간의 분포 이동을 완화하기 위해 가장 효과적인 데이터 증강 및 도메인 적응 전략은 무엇인가?
• RQ4 모델의 신뢰도에 기반해 약한 감독 신호를 가중하는 자기 가중 전략은 기존의 표준 또는 MIL 기반의 약한 감독보다 더 나은 일반화 성능을 보이는가?
• RQ5 제안된 방법은 AUC, 정확도 및 임상 Gleason 분류와의 상관관계 측면에서 기존 방법과 비교해 어떻게 성능을 냅니다?

주요 결과

• 제안된 자기 가중 약한 감독(SW-WS) 방법은 TCGA 전체 슬라이드 이미지에서 가장 높은 AUC 0.882(±0.024)와 Kendall’s τ 0.540(±0.032)를 달성했다.
• 약한 레이블이 부여된 TCGA 데이터만을 사용했을 경우 AUC는 0.814(±0.057)였고, 강한 TMA 레이블을 추가함으로써 0.845(±0.065)로 향상되어 강한 감독의 가치를 입증했다.
• SW-WS 방법은 MIL 기반 약한 감독(AUC 0.839) 및 표준 약한 레이블 전용 훈련을 모두 능가했으며, 상위-k 샘플링보다 신뢰도 기반 가중치가 더 효과적임을 시사한다.
• 염색 전이 및 색상 증강이 공변량 이동 완화에 가장 효과적인 전략이었으며, MMD, CORAL, 적대적 도메인 적응보다 뛰어난 성능을 보였다.
• 최고의 베이스라인 대비 AUC는 5.4%p, Kendall’s τ는 12.5%p 향상되어 임상적 유의성을 띠었다.
• 모델이 예측한 WSI 점수는 임상 Gleason 점수 그룹과 강한 상관관계(τ = 0.540)를 보였으며, 임상적 활용 가능성을 시사한다.