[논문 리뷰] Deep Features for Tissue-Fold Detection in Histopathology Images

Morteza Babaie, Hamid R. Tizhoosh|arXiv (Cornell University)|2019. 03. 17.

AI in cancer detection참고 문헌 22인용 수 5

한 줄 요약

이 논문은 사전 훈련된 합성곱 신경망(CNN)을 특징 추출기로 사용하고 SVM 분류기를 적용하여 전체 슬라이드 이미지(WSI)에서 조직 접힘 현상을 탐지하기 위한 딥러닝 기반 방법을 제안한다. 20배 확대율에서 2.5mm × 2.5mm의 H&E 염색 패치를 사용하여 DenseNet-201과 SVM 조합이 96.3%의 정확도를 기록했으며, 데이터 증강을 적용한 경우 97.2%로 향상되었고, 미사용된 NIH WSI에 대해서도 81%의 패치 수준 정확도를 보이며 일반화 능력을 입증하여 임상적 품질 관리에 강력한 잠재력을 보였다.

ABSTRACT

Whole slide imaging (WSI) refers to the digitization of a tissue specimen which enables pathologists to explore high-resolution images on a monitor rather than through a microscope. The formation of tissue folds occur during tissue processing. Their presence may not only cause out-of-focus digitization but can also negatively affect the diagnosis in some cases. In this paper, we have compared five pre-trained convolutional neural networks (CNNs) of different depths as feature extractors to characterize tissue folds. We have also explored common classifiers to discriminate folded tissue against the normal tissue in hematoxylin and eosin (H\&E) stained biopsy samples. In our experiments, we manually select the folded area in roughly 2.5mm $ imes$ 2.5mm patches at $20$x magnification level as the training data. The ``DenseNet'' with 201 layers alongside an SVM classifier outperformed all other configurations. Based on the leave-one-out validation strategy, we achieved $96.3\%$ accuracy, whereas with augmentation the accuracy increased to $97.2\%$. We have tested the generalization of our method with five unseen WSIs from the NIH (National Cancer Institute) dataset. The accuracy for patch-wise detection was $81\%$. One folded patch within an image suffices to flag the entire specimen for visual inspection.

연구 동기 및 목표

• 전체 슬라이드 이미징(WSI)에서 조직 접힘이 진단과 스캔 품질에 악영향을 미칠 수 있는 문제를 해결하기 위해.
• 딥 특징을 활용하여 H&E 염색 생검 표본에서 접힌 조직을 강력하고 자동화된 방법으로 탐지하기 위한 방법 개발을 위해.
• 다른 데이터셋(예: NIH)에서 유래한 외부 WSIs에 대해 딥 특징의 일반화 능력을 평가하기 위해.
• 최적의 성능를 달성하기 위해 다양한 사전 훈련된 CNN과 분류기를 비교하기 위해.

제안 방법

• WSI에서 2.5mm × 2.5mm 패치를 대상으로 VGG16, GoogleNet, InceptionV3, ResNet101, DenseNet201 등의 사전 훈련된 CNN을 특징 추출기로 사용하였다.
• 각 네트워크의 최종 완전히 연결된 층에서 특징를 추출한 후, L2 정규화를 적용하였다.
• 2차원 커널을 사용한 서포트 벡터 머신(SVM)을 분류기로 사용하였으며, 수동으로 레이블링된 접힌 조직 및 정상 조직 패치를 기반으로 훈련하였다.
• 일반화 능력 향상과 거짓 음성 감소를 위해 데이터 증강(회전, 뒤집기)을 적용하였다.
• 모델 평가에 이-minded cross-validation을 사용하였고, 다양한 패치 크기(1500×1500에서 4000×4000)로 설정된 NIH 데이터셋의 다섯 개의 미사용 WSI를 대상으로 테스트를 수행하였다.
• 중첩 없이 패치 수준에서 분류를 수행하였으며, 최소한 한 개의 접힘 패치가 탐지되면 전체 WSI를 시각적 검토 대상으로 표시하는 것으로 설정하였다.

실험 결과

연구 질문

• RQ1 H&E 염색 조직병리학 이미지에서 접힌 조직과 정상 조직을 구분하는 데 가장 우수한 딥 특징을 제공하는 사전 훈련된 CNN 아키텍처는 무엇인가?
• RQ2 데이터 증강이 조직 접힘 탐지 모델의 성능 및 강건성에 어떤 영향을 미치는가?
• RQ3 제한된 수의 수동 커리레이팅된 데이터셋에서 훈련된 모델이 다른 출처의 새로운 WSI에 대해 효과적으로 일반화될 수 있는가?
• RQ4 패치 크기와 윈도잉 전략이 실제 WSI 평가에서 탐지 정확도에 어떤 영향을 미치는가?
• RQ5 단일 접힘 패치의 탐지로도 전체 WSI를 임상적 검토 대상으로 표시하는 데 충분한가?

주요 결과

• DenseNet-201과 SVM 분류기를 조합한 모델이 이-minded cross-validation을 통해 훈련 데이터셋에서 최고의 정확도 96.3%를 기록하였다.
• 데이터 증강을 적용한 결과 정확도가 97.2%로 향상되었고, 거짓 음성 비율은 2.6%에서 2.1%로 감소하였다.
• NIH 데이터셋의 다섯 개의 미사용 WSI에서 모델은 81%의 패치 수준 탐지 정확도를 기록하여 새로운 데이터에 대한 적절한 일반화 능력을 보였다.
• 증강 처리 후 거짓 양성 비율은 변화가 없었으며, 이는 모델의 특이도가 유의미하게 변화하지 않았음을 시사한다.
• 거짓 음성은 주로 패치 경계를 가로질러 부분적으로 접힌 영역이 포함되거나, 훈련 패치 크기(5000×5000)와 테스트 윈도우 크기(1500×1500) 간의 불일치로 인한 것이었다.
• 결과적으로 단일 접힘 패치의 탐지만으로도 전체 WSI를 시각적 검토 대상으로 표시하는 데 충분하며, 임상적 유용성을 뒷받침한다.