[논문 리뷰] Deep Object Detection based Mitosis Analysis in Breast Cancer Histopathological Images

Anabia Sohail, Muhammad Ahsan Mukhtar외 4명|arXiv (Cornell University)|2020. 03. 16.

AI in cancer detection인용 수 11

한 줄 요약

이 논문은 유방암 조직병리 영상에서 미토시스 핵 검출을 위해 Mask R-CNN를 사용하는 두 단계의 딥 러닝 객체 검출 프레임워크를 제안하며, 정밀도 향상을 위해 약한 애너테이션을 활용한다. TUPAC16 데이터셋에서 F-스코어 0.86을 달성하여 두 단계 모델보다 뛰어난 성능을 보이며, 희박하고 모호한 외관을 띤 도전적인 형태 다양성의 미토시스 구조에 대해 강력한 일반화 능력을 입증한다.

ABSTRACT

Empirical evaluation of breast tissue biopsies for mitotic nuclei detection is considered an important prognostic biomarker in tumor grading and cancer progression. However, automated mitotic nuclei detection poses several challenges because of the unavailability of pixel-level annotations, different morphological configurations of mitotic nuclei, their sparse representation, and close resemblance with non-mitotic nuclei. These challenges undermine the precision of the automated detection model and thus make detection difficult in a single phase. This work proposes an end-to-end detection system for mitotic nuclei identification in breast cancer histopathological images. Deep object detection-based Mask R-CNN is adapted for mitotic nuclei detection that initially selects the candidate mitotic region with maximum recall. However, in the second phase, these candidate regions are refined by multi-object loss function to improve the precision. The performance of the proposed detection model shows improved discrimination ability (F-score of 0.86) for mitotic nuclei with significant precision (0.86) as compared to the two-stage detection models (F-score of 0.701) on TUPAC16 dataset. Promising results suggest that the deep object detection-based model has the potential to learn the characteristic features of mitotic nuclei from weakly annotated data and suggests that it can be adapted for the identification of other nuclear bodies in histopathological images.

연구 동기 및 목표

• 핵이 형태적으로 다양하고 희박하게 분포해 있으며 비미토시스 핵과 유사한 조직병리 영상에서 자동으로 미토시스 핵을 검출하는 데 도전하는 문제를 해결하기 위해.
• 픽셀 수준의 세그멘테이션을 요구하지 않고도 약한 또는 경계 상자 수준의 애너테이션 존재하에서도 정밀도를 향상시키기 위해.
• 초기 검출에서 높은 재현율을 확보하고, 다중 객체 손실 함수를 통해 정밀도를 향상시키는 엔드 투 엔드 딥 러닝 시스템을 개발하기 위해.
• 제한된 애너테이션에서 미토시스 핵의 특징을 학습할 수 있는 능력을 평가하여, 다른 세포핵 구조로의 적용 가능성을 탐색하기 위해.

제안 방법

• 초기 후보 영역 생성을 위해 고재현율을 확보하고, 이후 정밀도 향상을 위해 개선하는 두 단계의 객체 검출 프레임워크로 Mask R-CNN를 변형한다.
• 두 번째 단계에서 경계 상자 회귀, 마스크 예측, 분류를 동시에 최적화하기 위해 다중 객체 손실 함수를 사용한다.
• 픽셀 수준의 진짜값이 필요 없이 약한 경계 상자 애너테이션을 사용하여 TUPAC16 데이터셋에서 모델을 훈련시킨다.
• 정밀한 국소화 및 핵 분류를 위해 ResNet-백본에서 추출한 깊은 특징을 활용한다.
• 작고 불균형한 데이터셋에서의 강건성을 향상시키기 위해 데이터 증강 및 전이 학습 기법을 적용한다.
• 추론 후 저품질 검출을 걸러내기 위해 비최대 억제 및 신뢰도 임계값 설정을 적용한다.

실험 결과

연구 질문

• RQ1 픽셀 수준의 애너테이션이 필요 없이 두 단계의 딥 러닝 객체 검출 모델이 미토시스 핵 검출에서 높은 정밀도를 달성할 수 있는가?
• RQ2 제안된 다중 객체 손실 함수는 기존의 표준 두 단계 검출기보다 검출 정확도를 어떻게 향상시키는가?
• RQ3 Mask R-CNN는 약한 애너테이션 데이터로부터 미토시스 핵의 특징을 얼마나 잘 학습할 수 있는가?
• RQ4 모델은 미토시스 구조의 도전적인 형태 다양성과 저대비 외관에 대해 잘 일반화되는가?

주요 결과

• 제안된 모델은 TUPAC16 데이터셋에서 F-스코어 0.86을 달성하여, F-스코어 0.701을 보고한 두 단계 검출 모델보다 유의미하게 뛰어난 성능을 보였다.
• 정밀도가 0.86에 이르러, 외관상 유사한 비미토시스 핵과의 구분 능력이 뛰어나다는 것을 시사한다.
• 두 단계 설계 덕분에 첫 번째 단계에서 고재현율을 확보하고 두 번째 단계에서 정밀도를 높여 민감도와 특이도를 효과적으로 균형 잡는 데 기여했다.
• 약한 애너테이션 데이터로부터도 미토시스 핵의 특징을 효과적으로 학습함으로써, 애너테이션 부족에 대한 강건성을 보였다.
• 결과는 다른 세포핵 기반 구조를 조직병리 영상에서 검출하는 데에도 높은 잠재력을 지니고 있음을 시사한다.