[논문 리뷰] Histographs: Graphs in Histopathology

Shrey Gadiya, Deepak Anand외 1명|arXiv (Cornell University)|2019. 08. 14.

AI in cancer detection참고 문헌 7인용 수 4

한 줄 요약

이 논문은 세포핵을 정점으로, 핵 간 거리를 간선으로 표현하는 공간 그래프인 히스토그래프(Histographs)를 제안한다. 이는 그래프 컬러리션 네트워크(GCNs)가 암성 대비 비암성 및 미세침습성 대비 침습성 유방암을 경쟁력 있는 정확도로 분류할 수 있도록 한다. BACH 데이터셋에서 각각 93%와 95%의 정확도를 기록했으며, Inception-v3보다도 더 적은 파라미터를 사용한다.

ABSTRACT

Spatial arrangement of cells of various types, such as tumor infiltrating lymphocytes and the advancing edge of a tumor, are important features for detecting and characterizing cancers. However, convolutional neural networks (CNNs) do not explicitly extract intricate features of the spatial arrangements of the cells from histopathology images. In this work, we propose to classify cancers using graph convolutional networks (GCNs) by modeling a tissue section as a multi-attributed spatial graph of its constituent cells. Cells are detected using their nuclei in H&E stained tissue image, and each cell's appearance is captured as a multi-attributed high-dimensional vertex feature. The spatial relations between neighboring cells are captured as edge features based on their distances in a graph. We demonstrate the utility of this approach by obtaining classification accuracy that is competitive with CNNs, specifically, Inception-v3, on two tasks-cancerous versus non-cancerous and in situ versus invasive-on the BACH breast cancer dataset.

연구 동기 및 목표

• 조직병리학 영상에서 세포의 공간 배열을 명시적으로 포착하지 못하는 CNN의 한계를 해결하기 위해.
• 미세 수준의 핵 특징과 거시 수준의 공간 관계를 통합하는 그래프 기반 표현을 개발하기 위해.
• 히스토그래프에 적용된 GCN이 패치 기반 CNN과 비교해 경쟁 가능한 분류 성능을 달성할 수 있음을 입증하기 위해.
• 개선된 암 진단을 위해 조직 구조의 해석 가능하고 다중 척도 분석을 가능하게 하기 위해.

제안 방법

• 히스토그래프의 정점으로 사용되는 세포는 H&E 염색 전체 슬라이드 영상에서 완전 컨volutional 네트워크를 통해 검출된다.
• 정점 특징은 핵 형태와 색소체 패atters를 캡처하는 局부 이미지 기반 기술자로부터 유도된다.
• 간선 특징은 인접한 핵 간 유클리드 거리 기반으로 계산되며, 공간 관계를 인코딩한다.
• 비균일한 그래프에 대해 강건한 공간 필터링을 사용하여, 히스토그래프 기반 공간 그래프 컬러리션 네트워크(GCN)를 전체 슬라이드 분류를 위해 훈련시킨다.
• 기존 CNN에서 사용하는 패치 집계 전략을 피하기 위해, 전체 조직 섹션을 단일 그래프로 처리하는 프레임워크를 구현한다.
• 두 가지 분류 작업을 위해 BACH 데이터셋에서 지도 학습 방식으로 엔드 투 엔드로 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 그래프 기반의 조직병리학 슬라이드 표현이 암 진단에 관련된 미세 및 거시 구조적 특징을 모두 포착할 수 있는가?
• RQ2 히스토그래프에 적용된 GCN이 전체 슬라이드 영상에서 최신 기술의 CNN과 비교해 경쟁 가능한 분류 정확도를 달성하는가?
• RQ3 히스토그래프와 GCN은 주로 조직 구조의 차이로 인해 구분되는 미세침습성과 침습성 암을 효과적으로 구분할 수 있는가?
• RQ4 히스토그래프 분류에 대해 수작업으로 설계된 그래프 특징보다 GCN 접근법이 더 견고하거나 일반화 능력이 뛰어난가?

주요 결과

• 히스토그래프 기반 GCN은 암성 대비 비암성 분류 작업에서 93%의 정확도를 기록했으며, Inception-v3와 동일한 성능을 달성했다.
• 더 어려운 미세침입성 대비 침입성 암 분류 작업에서는 GCN이 95%의 정확도를 기록했으며, Inception-v3의 94%를 略로 뛰어넘었다.
• GCN 모델은 총 1800만 개의 학습 가능한 파라미터를 사용했고, Inception-v3의 2300만 개보다 훨씬 적어 파라미터 효율성이 높았다.
• GCN은 전체 슬라이드를 단일 그래프로 직접 분류하므로, CNN에서 사용하는 패치 수준 집계 전략이 필요로 하지 않는다.
• 히스토그래프 프레임워크는 분류 결정에 기여하는 부분 그래프를 강조할 수 있어, 분석의 해석 가능성을 제공한다.
• 이 접근법은 조직 구조를 다중 특징 부여된 그래프로 모델링함으로써, 조직병리학 데이터에 기하학적 딥 러닝을 적용할 수 있음을 입증한다.