[논문 리뷰] MITOS-RCNN: A Novel Approach to Mitotic Figure Detection in Breast Cancer Histopathology Images using Region Based Convolutional Neural Networks

Siddhant Rao|arXiv (Cornell University)|2018. 07. 04.

AI in cancer detection참고 문헌 16인용 수 26

한 줄 요약

MITOS-RCNN는 유방암 조직병리학 영상에서 미세분열도를 정확하게 탐지하기 위해 특화된 새로운 이단계 영역 기반 합성곱 신경망(RCNN)을 제안한다. 다중 척도 특징 추출과 이중 영역 제안 네트워크를 활용하여 기존 최고 성능 모델 대비 6.11% 높은 F-측도 0.955를 달성하며, 임상 수준의 미세분열도 추정을 위한 소형 객체 탐지에서 뛰어난 정밀도와 재현율을 입증한다.

ABSTRACT

Studies estimate that there will be 266,120 new cases of invasive breast cancer and 40,920 breast cancer induced deaths in the year of 2018 alone. Despite the pervasiveness of this affliction, the current process to obtain an accurate breast cancer prognosis is tedious and time consuming, requiring a trained pathologist to manually examine histopathological images in order to identify the features that characterize various cancer severity levels. We propose MITOS-RCNN: a novel region based convolutional neural network (RCNN) geared for small object detection to accurately grade one of the three factors that characterize tumor belligerence described by the Nottingham Grading System: mitotic count. Other computational approaches to mitotic figure counting and detection do not demonstrate ample recall or precision to be clinically viable. Our models outperformed all previous participants in the ICPR 2012 challenge, the AMIDA 2013 challenge and the MITOS-ATYPIA-14 challenge along with recently published works. Our model achieved an F-measure score of 0.955, a 6.11% improvement in accuracy from the most accurate of the previously proposed models.

연구 동기 및 목표

• 유방암 예후 평가에서 시간이 많이 소요되고 오류가 발생하기 쉬운 수동적인 미세분열도 계산의 임상적 과제를 해결하기 위해.
• 모든 미세분열 단계에서 형태학적으로 다양성이 있는 저밀도의 미세분열도를 정확하게 탐지할 수 있는 딥러닝 모델을 개발하기 위해.
• 임상적으로 실용적이지 못한 충분한 재현율과 정밀도를 갖추지 못한 기존 계산 방법을 개선하기 위해.
• 향상된 유방암 분류를 위해 자동화되고 스케일이 가능하며 비용 효율적인 미세분열도 추정을 가능하게 하기 위해.
• 실제 병리학 워크플로우에서 흔히 발생하는 다양한 염색 방법과 영상 조건에 일반화하기 위해.

제안 방법

• 소형 객체인 미세분열도의 탐지를 향상시키기 위해, 이단계, 상향식, 다중 척도 영역 제안 네트워크(RPN)를 갖춘 Faster-RCNN 아키텍처를 적응시켰다.
• 다양한 척도에서 영역 제안을 생성하는 이중 RPN 메커니즘을 도입하여, 소형이거나 형태학적으로 변형된 미세분열도에 대한 감도를 향상시켰다.
• 특징 추출을 위해 VGG-16 백본을 사용하였으며, 병리조직 영상에 대해 염색 색상 정규화를 통해 실험실 간 변동성을 감소시켰다.
• 회전, 반전, 스케일링 등을 포함한 데이터 증강 기법을 적용하여 데이터셋의 다양성을 증가시키고, 소규모 데이터셋의 한계를 완화하였다.
• 교차 엔트로피 손실과 영역 기반 분류를 사용하여 종합적으로 박스 위치 최적화와 객체 분류를 최적화하기 위해 엔드 투 엔드로 훈련하였다.
• 거짓 긍정을 줄이기 위해 '미세분열도가 아님' 클래스를 도입하여 아포토틱 세포와 염색 잡음의 영향을 최소화하였다.

실험 결과

연구 질문

• RQ1 영역 기반 CNN 아키텍처가 기존 딥러닝 및 수작업 특징 기반 방법보다 미세분열도 탐지 정확도를 높일 수 있는가?
• RQ2 이중 RPN 메커니즘이 모든 미세분열 단계에서 소형이고 형태학적으로 다양성이 있는 미세분열도 탐지에 기여하는가?
• RQ3 염색 정규화와 데이터 증강이 다양한 조직병리학 데이터셋 간 모델 일반화에 어느 정도 기여하는가?
• RQ4 모델이 저밀도의 미세분열도 탐지에서 임상적으로 실용적인 정밀도와 재현율을 달성할 수 있는가?
• RQ5 모델의 추론 속도는 이전 연구들과 비교해 어떻게 되며, 실시간 임상 적용에 적합한가?

주요 결과

• MITOS-RCNN는 F-측도 점수 0.955를 기록하여 기존 최고 성능 모델 대비 6.11% 높은 정확도를 확보하였다.
• ICPR 2012, AMIDA 2013, MITOS-ATYPIA-14 대회에서 모든 이전 참가자들을 능가하며 뛰어난 일반화 능력을 입증하였다.
• 고배율 시야(HPF)당 평균 추론 시간이 0.5초로, 임상 워크플로우에 실용적으로 적용 가능하였다.
• 수작업 특징이 아닌 학습된 특징을 사용함으로써 탐지의 강건성과 정확도가 크게 향상되었다.
• 제한된 데이터셋 크기에도 불구하고, 데이터 증강과 염색 정규화로 아포토틱 세포와 염색 잡음으로 인한 거짓 긍정이 감소하였다.
• 모델는 예측되지 않은 데이터에서도 뛰어난 성능을 보였으며, 다양한 임상 환경에서의 배포 가능성을 시사하였다.