[논문 리뷰] Cutting out the middleman: measuring nuclear area in histopathology slides without segmentation

Mitko Veta, P. J. van Diest외 1명|arXiv (Cornell University)|2016. 06. 20.

AI in cancer detection참고 문헌 11인용 수 8

한 줄 요약

이 논문은 세포핵 분할을 필요로 하지 않고 병리학적 슬라이드에서 핵 면적을 측정하기 위한 딥러닝 접근법을 제안한다. 중심이 핵에 맞춰진 이미지 패치에서 직접 개별 핵 면적을 추정하기 위해 컨볼루션 신경망을 사용한다. 이 방법은 높은 정확도를 달성하며(평균 핵 면적에 대해 R² = 0.99), 재현성과 효율성 면에서 분할 기반 접근법을 능가하는 엔드 투 엔드 핵 검출 및 면적 측정을 가능하게 한다.

ABSTRACT

The size of nuclei in histological preparations from excised breast tumors is predictive of patient outcome (large nuclei indicate poor outcome). Pathologists take into account nuclear size when performing breast cancer grading. In addition, the mean nuclear area (MNA) has been shown to have independent prognostic value. The straightforward approach to measuring nuclear size is by performing nuclei segmentation. We hypothesize that given an image of a tumor region with known nuclei locations, the area of the individual nuclei and region statistics such as the MNA can be reliably computed directly from the image data by employing a machine learning model, without the intermediate step of nuclei segmentation. Towards this goal, we train a deep convolutional neural network model that is applied locally at each nucleus location, and can reliably measure the area of the individual nuclei and the MNA. Furthermore, we show how such an approach can be extended to perform combined nuclei detection and measurement, which is reminiscent of granulometry.

연구 동기 및 목표

• 세포핵 분할에 의존하지 않고 병리학적 영상에서 핵 면적을 측정하는 방법을 개발하는 것.
• 딥러닝 모델을 사용해 핵 중심의 이미지 패치에서 직접 핵 면적을 추정할 수 있는지 평가하여 수작업 평가 대비 재현성을 향상시키는 것.
• 학습된 특징을 사용하는 형태적 연산 대신 곡물 측정과 유사한 방식으로 핵 검출과 면적 측정을 동시에 수행하는 방법으로 확장하는 것.
• 제안된 방법의 성능을 분할 기반 자동 측정 및 수작업 레이블링과 비교하는 것.
• 유방암에서 예후 생물학적 마커로 사용 가능한 평균 핵 면적(MNA)을 더 빠르고 신뢰성 있게 평가할 수 있도록 하는 것.

제안 방법

• 학습된 핵 위치에 중심을 둔 국소 이미지 패치에서 핵 면적을 예측하기 위해 컨볼루션 신경망(CNN)을 훈련한다.
• 학습 안정성과 일반화 성능 향상을 위해 회귀 과제를 이산 면적 구간에 대한 분류 과제로 재정의한다.
• 모델을 각 핵 위치에 국소적으로 독립적으로 적용하여 전체 분할이 필요 없도록 한다.
• 완전 컨volution 신경망을 사용해 핵 검출과 면적 추정을 동시에 수행하는 방식으로 확장하여 엔드 투 엔드 처리를 가능하게 한다.
• 공간적 중복성과 GPU 가속 기법을 활용해 대규모 기가픽셀 슬라이드를 효율적으로 처리한다(테슬라 K40에서 4000×4000 이미지 약 5분 내 처리).
• 성능 평가에는 블랜드-알탈먼 플롯, 상관계수(R²), 수작업 측정과의 일치 범위를 사용한다.

실험 결과

연구 질문

• RQ1 세포핵 분할 없이도 깊이 학습 모델을 사용해 핵 중심의 이미지 패치에서 핵 면적을 정확하게 추정할 수 있는가?
• RQ2 수작업 측정과의 일치도를 고려할 때, 직접 면적 추정 방식이 분할 기반 방법보다 성능에서 어떻게 다를까?
• RQ3 제안된 방법을 엔드 투 엔드 방식으로 핵 검출과 면적 측정을 동시에 수행할 수 있도록 확장할 수 있는가?
• RQ4 모델 아키텍처와 추론 전략이 계산 효율성과 정확도에 어떤 영향을 미치는가?
• RQ5 직접 추정 방식이 분할 기반 대안 대비 더 신뢰할 수 있는 평균 핵 면적(MNA) 값을 제공하는가?

주요 결과

• 핵 위치가 알려진 상태에서 평균 핵 면적(MNA) 추정에 대해 결정 계수(R²)가 0.99를 기록하여 수작업 측정과 거의 완벽한 일치를 보였다.
• 개별 핵 면적 추정에 대해 R²는 0.87이었으며, -2.19 ± 18.85 μm²의 작은 편향과 중간 수준의 일치 범위를 보였다.
• 핵 검출과 면적 측정을 통합한 방법은 MNA에 대해 R² = 0.89를 기록했으며, 편향은 -2.98 ± 9.26 μm²였고, 다른 핵 집단을 사용함에도 불구하고 상당한 일치를 보였다.
• 제안된 방법은 분할 기반 자동 측정 방식보다 성능이 뛰어나 R²는 0.77였고, 더 높은 일치 범위(편향 -1.20 ± 13.50 μm²)를 보였다.
• 테슬라 K40 GPU에서 4000×4000 픽셀 슬라이드를 약 5분 내로 처리하여 임상적 적용 가능성의 실현 가능성을 입증했다.
• 결과적으로 직접 면적 추정이 분할 단계를 생략함으로써 더 정확하고 재현성 있는 MNA 측정을 가능하게 하며, 이는 강력한 예후 생물학적 마커로 사용될 수 있음을 시사한다.