[논문 리뷰] Mitosis Detection, Fast and Slow: Robust and Efficient Detection of Mitotic Figures

Mostafa Jahanifar, Adam Shephard외 5명|arXiv (Cornell University)|2022. 08. 26.

AI in cancer detection인용 수 6

한 줄 요약

이 논문은 두 단계로 구성된 강건하고 효율적인 미토시스 검출 프레임워크인 'Detecting Fast'를 제안한다. 첫 번째 단계에서는 새로운 경량 네트워크(EUNet)를 사용해 빠르게 후보 영역을 분할한다. 두 번째 단계에서는 EfficientNet-B7를 활용해 정밀한 분류를 수행한다. 이 방법은 다양한 히스토로지 데이터셋에서 최신 기술 수준의 성능과 일반화 능력을 달성했으며, MIDOG21 및 MIDOG22 도전 대회에서 1등을 차지했고, TCGA-BRCA 코hort에서 622,000건 이상의 미토시스 영역을 포함한 대규모 레포지터리를 공개하였다.

ABSTRACT

Counting of mitotic figures is a fundamental step in grading and prognostication of several cancers. However, manual mitosis counting is tedious and time-consuming. In addition, variation in the appearance of mitotic figures causes a high degree of discordance among pathologists. With advances in deep learning models, several automatic mitosis detection algorithms have been proposed but they are sensitive to {\em domain shift} often seen in histology images. We propose a robust and efficient two-stage mitosis detection framework, which comprises mitosis candidate segmentation ({\em Detecting Fast}) and candidate refinement ({\em Detecting Slow}) stages. The proposed candidate segmentation model, termed extit{EUNet}, is fast and accurate due to its architectural design. EUNet can precisely segment candidates at a lower resolution to considerably speed up candidate detection. Candidates are then refined using a deeper classifier network, EfficientNet-B7, in the second stage. We make sure both stages are robust against domain shift by incorporating domain generalization methods. We demonstrate state-of-the-art performance and generalizability of the proposed model on the three largest publicly available mitosis datasets, winning the two mitosis domain generalization challenge contests (MIDOG21 and MIDOG22). Finally, we showcase the utility of the proposed algorithm by processing the TCGA breast cancer cohort (1,125 whole-slide images) to generate and release a repository of more than 620K mitotic figures.

연구 동기 및 목표

• 암 예후 평가에서 수작업으로 미토시스를 세는 방식의 높은 평가자 간 변동성과 시간 소모 문제를 해결하기 위해.
• 스캐너, 염색 프로토콜, 조직 유형의 차이로 인한 월드 슬라이드 이미지의 도메인 이동 문제를 극복하기 위해.
• 병리의사가 다중 확대율 워크플로우를 따르는 것과 유사한 빠르고 정확한 미토시스 검출 시스템을 개발하기 위해.
• 기준 설정 및 모델 개발을 위한 공개 가능한 대규모 미토시스 검출 데이터셋을 생성하기 위해.
• 도메인 일반화 기법을 활용해 다양한 조직학적 외관에 걸쳐 일반화 능력을 향상시키기 위해.

제안 방법

• 프레임워크는 이중 단계 파이프라인을 사용한다: 첫 번째로, EUNet가 빠르고 저해상도로 미토시스 후보 영역을 분할한다 (Detecting Fast).
• 두 번째로, 더 깊은 EfficientNet-B7 분류기가 후보 영역을 정밀하게 분류하여 진짜 미토시스와 유사한 영역을 구분한다 (Detecting Slow).
• EUNet는 제한된 애너테이션 자료로도 특징 학습을 향상시키기 위해 인코더와 디코더 양쪽에 자기지도 학습 전훈 전략을 적용한다.
• 이 방법은 도메인 이동에 대응하기 위해 도메인 불변 특징 학습 및 데이터 증강 전략과 같은 도메인 일반화 기법을 적용한다.
• 점 애너테이션은 NuClick를 사용해 마스크로 변환되어 약한 지도 학습을 위한 분할 학습이 가능해진다.
• 시스템은 아티팩트 패치를 정제된 데이터로 피팅하여 염색 및 표시로 인한 잘못된 경고를 줄이기 위해 최적화된다.

실험 결과

연구 질문

• RQ1 이중 단계 딥러닝 프레임워크는 기존 방법보다 높은 속도와 도메인 이동에 대한 강건성을 유지하면서도 미토시스 검출 성능을 뛰어나게 개선할 수 있는가?
• RQ2 다양한 히스토로지 데이터셋에서 도메인 일반화 기법의 다양한 조합이 미토시스 분할 성능에 어떤 영향을 미치는가?
• RQ3 경량 분할 모델과 이후에 이어지는 깊은 분류기 조합이 검출 정확도와 효율성에 얼마나 기여하는가?
• RQ4 제안된 방법이 다양한 스캐너, 조직 유형, 염색 프로토콜 간에 효과적으로 일반화될 수 있는가?
• RQ5 대규모 월드 슬라이드 이미지 코hort에 적용했을 때 이 방법의 확장성과 실용적 유용성은 어떠한가?

주요 결과

• 제안된 방법은 MIDOG21 및 MIDOG22 도전 대회에서 모두 1등을 차지하여 최신 기술 수준의 성능과 일반화 능력을 입증하였다.
• 프레임워크는 TCGA-BRCA 코hort에서 622,528건 이상의 확인된 미토시스 영역을 검출하여, 세부 애너테이션이 포함된 1,125개의 월드 슬라이드 이미지가 포함된 공개 데이터셋을 제공하였다.
• 이중 단계 설계는 계산 효율성을 크게 향상시켰으며, 초기 단계에서 감도를 높여도 런타임 영향이 최소화되었다.
• 임계값 분석 결과, 다양한 분할 및 분류 임계값에서 F1 점수의 변화가 평탄하게 유지되어 조정의 강건성과 유연성을 보였다.
• 자기지도 전훈 및 도메인 일반화 기법이 다양한 영상 조건에서 모델의 일반화 능력을 크게 향상시켰다.
• 최적화된 아티팩트 검출 기능을 통합함으로써 일반적인 조직학적 아티팩트로 인한 잘못된 경고를 줄여 실제 WSI 분석에서의 신뢰성을 향상시켰다.