[논문 리뷰] Detecting Cancer Metastases on Gigapixel Pathology Images

Yun Liu, Krishna Gadepalli외 11명|arXiv (Cornell University)|2017. 03. 03.

AI in cancer detection참고 문헌 3인용 수 521

한 줄 요약

논문은 CNN 기반 프레임워크를 개발하여 대형 병리 슬라이드에서 작고 전이암을 탐지하고 위치화하며, Camelyon16에서 병변 수준 탐지의 최첨단 성능과 높은 슬라이드 수준 AUC를 달성한다. 사전 학습, 색상 정규화 및 다중 스케일 패치에 반대하며, 슬림한 모델도 성능을 따라잡을 수 있음을 보여준다.

ABSTRACT

Each year, the treatment decisions for more than 230,000 breast cancer patients in the U.S. hinge on whether the cancer has metastasized away from the breast. Metastasis detection is currently performed by pathologists reviewing large expanses of biological tissues. This process is labor intensive and error-prone. We present a framework to automatically detect and localize tumors as small as 100 x 100 pixels in gigapixel microscopy images sized 100,000 x 100,000 pixels. Our method leverages a convolutional neural network (CNN) architecture and obtains state-of-the-art results on the Camelyon16 dataset in the challenging lesion-level tumor detection task. At 8 false positives per image, we detect 92.4% of the tumors, relative to 82.7% by the previous best automated approach. For comparison, a human pathologist attempting exhaustive search achieved 73.2% sensitivity. We achieve image-level AUC scores above 97% on both the Camelyon16 test set and an independent set of 110 slides. In addition, we discover that two slides in the Camelyon16 training set were erroneously labeled normal. Our approach could considerably reduce false negative rates in metastasis detection.

연구 동기 및 목표

• 초대형 전체 슬라이드 이미지(기가픽셀 규모)에서 작고 확산된 전이암 탐지의 도전 과제를 해결한다.
• 슬라이드에서 효율적인 추론을 갖춘 패치 기반 CNN 프레임워크를 개발해 병리학자용 종양 위치 지도를 제공한다.
• Camelyon16 및 독립 데이터셋에서 슬라이드 수준 정확도와 종양 수준 위치를 평가한다.

제안 방법

• Inception (V3) 아키텍처를 사용해 299x299 패치를 분류하고 중심 128x128 종양 영역을 예측한다.
• 균형 패치 샘플링과 광범위한 데이터 증강(회전, 대칭, 색상 변이, 패치 추출의 변동)을 통해 학습한다.
• 슬라이드에 128픽셀 보폭의 Heatmap을 슬라이딩하여 최댓값으로 슬라이드 수준 예측을 수행한다.
• FROC 및 AUC 지표로 이전 방법과 비교하고, 모델 크기(소형 vs 전체), 사전 학습, 색상 정규화, 다중 스케일 입력을 탐구한다.
• 평가를 위해 Heatmap에 대해 비최대 억제(non-maximum suppression)을 적용하여 종양 좌표를 추출한다.

실험 결과

연구 질문

• RQ1 CNN 기반 패치 분류기가 기가픽셀 병리 슬라이드에서 높은 민감도와 낮은 거짓 양성율로 작고 전이암을 탐지하고 위치화할 수 있는가?
• RQ2 자연 이미지에 대한 사전 학습, 색상 정규화, 또는 다중 스케일 입력이 이 작업에 유리한가?
• RQ3 모델 크기가 성능에 미치는 영향과 슬라이드 수준 및 종양 수준 평가를 위한 Heatmap 기반 슬라이딩 윈도우 접근 방식의 효과는 무엇인가?

주요 결과

• Camelyon16 테스트 세트와 독립 데이터셋(NHO-1)에서 슬라이드 수준 AUC가 97%를 넘는 높은 성과를 달성했다.
• 40X 규모에서 검증 시 FROC 98.1%에 최대 100개의 거짓 양성 per 슬라이드; 테스트 FROC 87.3(신뢰구간 포함) 및 AUC 96.7.
• 소형 Inception 기반 모델(전체 매개변수의 3%)이 전체 모델과 거의 동일한 성능을 달성했다.
• 광범위한 데이터 증강 및 학습 하에서 색상 정규화와 다중 스케일 입력은 성능 향상을 보이지 않았다.
• 회전/대칭에 따른 앙상블은 약간의 향상을 주었고, 3개 모델 앙상블이 최상의 결과를 냈다(AUC 97.7, 테스트).
• 데이터 처리 오류로 정상으로 표기된 두 슬라이드에서 종양이 검출되어 라벨 노이즈에 대한 강건성을 시사한다.