[논문 리뷰] Manifold Learning & Stacked Sparse Autoencoder for Robust Breast Cancer Classification from Histopathological Images.

Sawon Pratiher, Subhankar Chattoraj|arXiv (Cornell University)|2018. 06. 18.

AI in cancer detection인용 수 11

한 줄 요약

이 논문은 히스토파스ولوج리컬 영상에서 다중 클래스 유방암 분류를 위한 강력하고 실시간에 가까운 성능을 보이는 딥러닝 프레임워크를 제안한다. 만만드러닝과 스파스 스택드 오토에인코더를 결합한 방식으로, BreakHis 데이터셋에서 95.8%의 정확도를 기록하였으며, 유방암 중에서 가장 난이도가 높은 락큘러 카르시노마의 인식률은 기존 최고 수준의 방법 대비 38.2% 향상되었다. 200X 확대율에서 99.3%의 정확도를 달성했고, 이진 분류에서 100%의 민감도를 확보하였다.

ABSTRACT

Histopathological images (HI) encrypt resolution dependent heterogeneous textures & diverse color distribution variability, manifesting in micro-structural surface tissue convolutions. Also, inherently high coherency of cancerous cells poses significant challenges to breast cancer (BC) multi-classification. As such, multi-class stratification is sparsely explored & prior work mainly focus on benign & malignant tissue characterization only, which forestalls further quantitative analysis of subordinate classes like adenosis, mucinous carcinoma & fibroadenoma etc, for diagnostic competence. In this work, a fully-automated, near-real-time & computationally inexpensive robust multi-classification deep framework from HI is presented. The proposed scheme employs deep neural network (DNN) aided discriminative ensemble of holistic class-specific manifold learning (CSML) for underlying HI sub-space embedding & HI hashing based local shallow signatures. The model achieves 95.8% accuracy pertinent to multi-classification & 2.8% overall performance improvement & 38.2% enhancement for Lobular carcinoma (LC) sub-class recognition rate as compared to the existing state-of-the-art on well known BreakHis dataset is achieved. Also, 99.3% recognition rate at 200X & a sensitivity of 100% for binary grading at all magnification validates its suitability for clinical deployment in hand-held smart devices.

연구 동기 및 목표

• 히스토파스ولوج리컬 영상에서 다중 클래스 유방암 분류에 도전하는 문제를 해결하며, 기존 분석이 일반적으로 양성 및 악성 클래스로만 국한되는 것을 개선한다.
• 히스토파스ولوج리컬 영상에서 악성 세포의 높은 유사성과 색소 및 질감의 이질성으로 인해 정확한 분류가 어려운 문제를 해결한다.
• 수행 가능한 자원 제약이 있는 휴대형 임상 장치에 적합한 강력하고 계산 효율적이며 실시간에 가까운 분류를 가능하게 한다.
• 이진 분류를 넘어서서 부족하게 표현된 하위 클래스인 아데노시스, 점성 카르시노마, 섬유선종 등에 대한 인식 능력을 향상시킨다.
• 특히 락큘러 카르시노마와 같은 도전적인 하위 클래스에 대해 다양한 확대율에서 높은 성능을 달성한다.

제안 방법

• 히스토파스ولوج리컬 영상 내 잠재된 하위 공간을 추출하기 위해 종합적이고 클래스별로 특화된 만만드러닝(CSML)의 분류적 앙상블을 활용한다.
• 히스토파스ولوج리컬 영상의 국소 얕은 서명을 추출하기 위해 HI 해싱을 통합하여 기능 표현을 향상시킨다.
• 계층적이고 강력하며 저차원적인 히스토파스ولوج리컬 영상 기능 표현을 학습하기 위해 스택드 스파스 오토에인코더를 사용한다.
• 만만드러닝과 오토에인코더 기반 기능 학습을 통합하여 종단 간 분류를 위한 유일한 딥 네트워크(DNN) 기반 프레임워크를 구성한다.
• 자원 제약이 있는 휴대형 장치에의 배포를 지원하기 위해 계산 효율성과 낮은 지연 시간을 최적화한다.
• 다양한 확대율(예: 200X)에서 잘 알려진 BreakHis 데이터셋을 기반으로 프레임워크를 훈련 및 검증한다.

실험 결과

연구 질문

• RQ1 딥러닝 프레임워크는 희귀하거나 표현이 부족한 클래스를 포함한 다양한 유방암 하위 유형을 히스토파스ولوج리컬 영상에서 효과적으로 분류할 수 있는가?
• RQ2 클래스별로 특화된 만만드러닝과 스파스 오토에인코더의 통합이 기능 표현과 분류 정확도를 어떻게 향상시키는가?
• RQ3 제안된 방법은 전반적인 정확도와 하위 클래스 인식 능력 측면에서 기존 최고 수준의 접근 방식을 얼마나 뛰어넘는가? 특히 락큘러 카르시노마의 경우에 대해 어떻게 되는가?
• RQ4 특히 진단에 중요한 200X 확대율에서 다양한 확대율 간 성능을 유지할 수 있는가?
• RQ5 계산 효율성과 높은 민감도를 고려할 때, 이 프레임워크는 휴대형 임상 장치에 실시간 배포에 적합한가?

주요 결과

• 제안된 프레임워크는 다중 클래스 BreakHis 데이터셋에서 95.8%의 분류 정확도를 달성하여 기존 최고 수준의 방법들을 뛰어넘었다.
• 기존 접근 방식 대비 락큘러 카르시노마의 인식률을 38.2% 향상시켜 도전적인 하위 클래스에 대한 인식 능력 향상을 입증했다.
• 200X 확대율에서 99.3%의 인식률을 기록하여 고해상도 진단 수준에서 뛰어난 성능을 보였다.
• 모든 확대율에서 이진 분류에서 100%의 민감도를 확보하여 양성과 악성 조직을 구분할 때 거짓 음성 결과가 발생하지 않음을 보장했다.
• 계산 효율적이며 휴대형 스마트 기기에서 실시간 배포에 적합하여 현장 진단을 가능하게 했다.
• CSML과 HI 해싱의 통합은 히스토파스ولوج리컬 영상의 질감 및 색소 변동성을 다룰 때 기능의 구분 능력을 향상시켰다.