[논문 리뷰] Microscopic Nuclei Classification, Segmentation and Detection with improved Deep Convolutional Neural Network (DCNN) Approaches

Md Zahangir Alom, Chris Yakopcic외 2명|arXiv (Cornell University)|2018. 11. 08.

AI in cancer detection인용 수 11

한 줄 요약

이 논문은 병리학적 전체 슬라이드 영상에서 세포핵 분류, 분할, 탐지에 대해 최신 기술 수준의 성능을 달성하는 개선된 딥 컨volution 신경망(DCNN) 아키텍처—핵 분류를 위한 DCRN, 분할을 위한 R2U-Net, 탐지를 위한 UD-Net—을 제안한다. 최근의 방법들에 비해 분류와 탐지 작업에서 각각 3.4%와 4.5% 향상된 F1-스코어를 기록하였으며, R2U-Net는 핵 분할 작업에서 92.15%의 Dice 계수를 달성하였다.

ABSTRACT

Due to cellular heterogeneity, cell nuclei classification, segmentation, and detection from pathological images are challenging tasks. In the last few years, Deep Convolutional Neural Networks (DCNN) approaches have been shown state-of-the-art (SOTA) performance on histopathological imaging in different studies. In this work, we have proposed different advanced DCNN models and evaluated for nuclei classification, segmentation, and detection. First, the Densely Connected Recurrent Convolutional Network (DCRN) model is used for nuclei classification. Second, Recurrent Residual U-Net (R2U-Net) is applied for nuclei segmentation. Third, the R2U-Net regression model which is named UD-Net is used for nuclei detection from pathological images. The experiments are conducted with different datasets including Routine Colon Cancer(RCC) classification and detection dataset, and Nuclei Segmentation Challenge 2018 dataset. The experimental results show that the proposed DCNN models provide superior performance compared to the existing approaches for nuclei classification, segmentation, and detection tasks. The results are evaluated with different performance metrics including precision, recall, Dice Coefficient (DC), Means Squared Errors (MSE), F1-score, and overall accuracy. We have achieved around 3.4% and 4.5% better F-1 score for nuclei classification and detection tasks compared to recently published DCNN based method. In addition, R2U-Net shows around 92.15% testing accuracy in term of DC. These improved methods will help for pathological practices for better quantitative analysis of nuclei in Whole Slide Images(WSI) which ultimately will help for better understanding of different types of cancer in clinical workflow.

연구 동기 및 목표

• 세포의 이질성으로 인해 병리학적 슬라이드 영상에서 세포핵을 분류하고, 분할하며, 탐지하는 데 도전하는 문제를 해결하기 위해.
• 기존 방법들을 능가하는 핵 분류, 분할, 탐지 작업을 위한 새로운 딥 러닝 아키텍처를 개발하기 위해.
• 암 진단 및 임상 워크플로우 향상을 위해 전체 슬라이드 영상(Whole Slide Images, WSI)에서 핵의 보다 정확하고 정량적인 분석을 가능하게 하기 위해.

제안 방법

• 핵 분류를 위해 밀도 연결 순환 컨volution 신경망(Densely Connected Recurrent Convolutional Network, DCRN)을 제안하였으며, 잔차 연결과 밀도 연결을 통합하여 특징 학습을 향상시켰다.
• 핵 분할을 위해 순환 잔차 U-Net(R2U-Net)을 사용하였으며, 스킵 연결과 순환 잔차 블록을 조합하여 특징 표현을 향상시켰다.
• 특징 맵에서 바운딩 박스를 예측하는 데 목적이 있는 R2U-Net의 회귀 기반 변종인 UD-Net을 개발하였다.
• 모델들은 Routine Colon Cancer(RCC) 및 Nuclei Segmentation Challenge 2018이라는 두 가지 벤치마크 데이터셋에서 훈련 및 평가되었다.
• 정밀도, 재현도, F1-스코어, Dice 계수(DC), 평균 제곱 오차(MSE), 총 정확도를 사용하여 성능 평가가 이루어졌다.
• 아키텍처 설계는 복잡한 조직병리학적 데이터에서 일반화 능력을 향상시키기 위해 특징 재사용과 계층적 표현 학습을 중시한다.

실험 결과

연구 질문

• RQ1 최근에 발표된 DCNN 기반 방법들과 비교해 병리학적 영상에서 미세구조 핵을 분류하는 데 있어 Densely Connected Recurrent Convolutional Network(DCRN)이 뛰어난 성능을 달성할 수 있는가?
• RQ2 잔차 학습과 순환 스킵 연결을 조합한 R2U-Net 아키텍처가 핵 분할 정확도를 향상시킬 수 있는가?
• RQ3 R2U-Net의 회귀 기반 변종인 UD-Net 모델이 핵 탐지 작업에서 최신 기술 수준의 방법들을 능가할 수 있는가?
• RQ4 제안된 모델들이 벤치마크 조직병리학적 데이터셋에서 F1-스코어 및 Dice 계수와 같은 성능 지표를 얼마나 향상시키는가?
• RQ5 이러한 모델들이 임상 적용을 위해 전체 슬라이드 영상(Whole Slide Images, WSI)에서 핵의 보다 신뢰할 수 있고 정량적인 분석을 가능하게 할 수 있는가?

주요 결과

• DCRN 모델은 최근에 발표된 DCNN 기반 방법에 비해 핵 분류 작업에서 3.4% 높은 F1-스코어를 기록하였다.
• UD-Net 모델은 최신 DCNN 기반 접근 방식에 비해 핵 탐지 작업에서 4.5% 향상된 F1-스코어를 보였다.
• R2U-Net는 핵 분할 작업에서 테스트 정확도로 92.15%의 Dice 계수(DC)를 달성하여 높은 분할 정밀도를 나타내었다.
• 제안된 모델들은 RCC 및 Nuclei Segmentation Challenge 2018 데이터셋 양측에서 정밀도, 재현도, F1-스코어 등 여러 지표에서 일관된 성능 향상을 보였다.
• 향상된 아키텍처들은 전체 슬라이드 영상(Whole Slide Images, WSI)에서 세포핵의 보다 강력하고 정확한 분석을 가능하게 하여 암 진단에서의 더 나은 임상 의사결정 지원에 기여한다.