[논문 리뷰] Lizard: A Large-Scale Dataset for Colonic Nuclear Instance Segmentation and Classification

Simon Graham, Mostafa Jahanifar외 15명|arXiv (Cornell University)|2021. 08. 25.

AI in cancer detection인용 수 6

한 줄 요약

이 논문은 6개의 세포 유형에 걸쳐 약 50만 개의 주석 처리된 세포핵을 포함하는, 대장 세포핵 인스턴스 분할 및 분류를 위한 가장 큰 공개 데이터셋인 Lizard를 소개한다. 병리의사가 개입하는 다단계 주석 처리 파이프라인을 통해 저자들은 계산 병리학 분야에서의 데이터 부족 문제를 해결하기 위해 고정확도, 대규모 데이터 수집을 가능하게 하였으며, 이는 대장암 분석을 위한 설명 가능한 세포 수준 모델 개발을 크게 진전시켰다.

ABSTRACT

The development of deep segmentation models for computational pathology (CPath) can help foster the investigation of interpretable morphological biomarkers. Yet, there is a major bottleneck in the success of such approaches because supervised deep learning models require an abundance of accurately labelled data. This issue is exacerbated in the field of CPath because the generation of detailed annotations usually demands the input of a pathologist to be able to distinguish between different tissue constructs and nuclei. Manually labelling nuclei may not be a feasible approach for collecting large-scale annotated datasets, especially when a single image region can contain thousands of different cells. However, solely relying on automatic generation of annotations will limit the accuracy and reliability of ground truth. Therefore, to help overcome the above challenges, we propose a multi-stage annotation pipeline to enable the collection of large-scale datasets for histology image analysis, with pathologist-in-the-loop refinement steps. Using this pipeline, we generate the largest known nuclear instance segmentation and classification dataset, containing nearly half a million labelled nuclei in H&E stained colon tissue. We have released the dataset and encourage the research community to utilise it to drive forward the development of downstream cell-based models in CPath.

연구 동기 및 목표

• 핵 분할 및 분류를 위한 대규모로 정확하게 주석 처리된 조직 학적 데이터셋의 부족으로 인해 발생하는 계산 병리학 분야의 핵심적 장애 요인을 해결하기 위해.
• 높은 주석 품질을 확보하면서도 대규모 데이터 수집을 가능하게 하는 병리의사 피드백을 통합한 확장 가능한 다단계 주석 처리 파이프라인을 개발하기 위해.
• H&E 염색을 적용한 대장 조직에 대한 가장 큰 인스턴스 분할 및 분류 데이터셋을 구축하여, 암 진단을 위한 설명 가능한 인공지능 모델 개발을 지원하기 위해.
• 주석의 신뢰성과 모델 성능 기준 설정을 위한 기초 자료로 사용하기 위해 병리의사와 데이터셋 주석 간의 정량적 일치 통계치를 제공하기 위해.
• 연구를 가속화하고 대장암에서의 세포 기반 분석 및 생물학적 마커 발견을 지원하기 위해 데이터셋을 공개적으로 배포하기 위해.

제안 방법

• 자동화 및 반자동화 분할 기법을 조합한 다단계 주석 처리 파이프라인을 설계하여 대규모에서의 정확도를 확보하였다.
• 초기 모델이 생성한 낮은 신뢰도 예측의 정제를 우선순위로 삼아 주석 작업 부담을 줄였으며, 동시에 고품질의 지도 데이터를 유지하였다.
• 6개의 다른 대장 조직 샘플에서 20× 배율로 핵 인스턴스 분할을 수행하였으며, 6개의 서로 다른 핵 유형에 대해 픽셀 수준의 주석을 제공하였다.
• 각 핵에는 상피세포, 림프구, 혈장세포, 호酸성구, 호염성구, 결합세포의 클래스 레이블이 부여되었다.
• 병리의사와 데이터셋 주석 간의 일치도를 정량화하기 위해 대표 샘플에 대해 새로운 일치 분석 방법을 적용하였다.
• 3중 교차 검증과 외부 테스트 세트를 사용하여 U-Net, Micro-Net, HoVer-Net 등의 기준 모델을 훈련 및 평가하여 각 클래스의 분할 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 병리의사가 개입하는 다단계 주석 처리 파이프라인이 조직 학적 핵 분할의 확장성과 정확도에 미치는 영향은 어떠한가?
• RQ2 대규모이고 다양한 데이터셋에서, 중증도가 낮은 핵 유형인 호산성구와 호산성구에 대해 최신 기술의 분할 모델 성능은 어떻게 변할까?
• RQ3 특히 림프구와 혈장세포처럼 생물학적으로 유사한 세포 유형 간에 병리의사 간 일치도는 어느 정도이며, 데이터셋 주석과의 일치도는 어떠한가?
• RQ4 Lizard와 같은 대규모로 고도로 주석 처리된 데이터셋은 대장암 분석을 위한 계산 병리학 모델의 일반화 능력 향상과 설명 가능성 향상에 기여할 수 있는가?
• RQ5 평가자 간 일치 통계치에 기반하여, 대장 조직에서 6개의 서로 다른 핵 유형을 구분하는 분류 성능의 상한선은 무엇인가?

주요 결과

• Lizard는 6개의 핵 유형에 걸쳐 총 495,179개의 주석 처리된 핵을 포함하며, 현재까지 계산 병리학 분야에서 가장 큰 인스턴스 분할 및 분류 데이터셋이다.
• 3중 교차 검증에서 HoVer-Net이 평균 팬옵티컬 품질(0.559 ± 0.014)을 기록하여, 모든 클래스에서 U-Net과 Micro-Net을 앞서며 최고의 성능을 보였다.
• 상피세포, 림프구, 결합세포 핵은 데이터셋 내 빈도가 높아 강한 분할 성능(PQ > 0.49)을 보였다.
• 호산성구와 호산성구의 분할 성능는 상당히 낮았으며(PQ < 0.25), 이는 클래스 불균형과 형태학적 유사성 때문일 가능성이 높다.
• 병리의사 간 일치도는 상피세포에서 가장 높았고, 림프구와 혈장세포 사이에서 가장 낮았다. 이는 이 두 세포 유형을 구분하는 데 잠재적인 모호성이 있음을 시사한다.
• 일치 분석 결과, 데이터셋 주석은 신뢰할 수 있으며 혼동 행렬의 주대각선에서 높은 일치도를 보였지만, 일부 림프구와 혈장세포 간 오분류가 관찰되었다.