[논문 리뷰] MS-GWNN:multi-scale graph wavelet neural network for breast cancer diagnosis

Mo Zhang, Quanzheng Li|arXiv (Cornell University)|2020. 12. 29.

AI in cancer detection인용 수 6

한 줄 요약

이 논문은 유방암 진단을 위한 조직 구조 분석을 위해 계층적 조직 구조를 포착하는 스펙트럼 그래프 웨이블릿을 활용하는 다중 척도 그래프 웨이블릿 신경망인 MS-GWNN을 제안한다. 다양한 스케일링 파라미터를 가진 병렬적인 다중 그래프 웨이블릿 변환을 적용하고, 다중 척도 특징을 통합함으로써 엔드 투 엔드 학습을 달성하였으며, BACH 데이터셋에서 93.75%의 정확도와 BreakHis 데이터셋에서 99.67%의 정확도를 기록하여 최신 기술들을 초월한다.

ABSTRACT

Breast cancer is one of the most common cancers in women worldwide, and early detection can significantly reduce the mortality rate of breast cancer. It is crucial to take multi-scale information of tissue structure into account in the detection of breast cancer. And thus, it is the key to design an accurate computer-aided detection (CAD) system to capture multi-scale contextual features in a cancerous tissue. In this work, we present a novel graph convolutional neural network for histopathological image classification of breast cancer. The new method, named multi-scale graph wavelet neural network (MS-GWNN), leverages the localization property of spectral graph wavelet to perform multi-scale analysis. By aggregating features at different scales, MS-GWNN can encode the multi-scale contextual interactions in the whole pathological slide. Experimental results on two public datasets demonstrate the superiority of the proposed method. Moreover, through ablation studies, we find that multi-scale analysis has a significant impact on the accuracy of cancer diagnosis.

연구 동기 및 목표

• 기존의 컴퓨터 지원 진단 시스템이 조직 병리 영상에서 다중 척도적 맥락적 특징을 포착하는 데에 한계가 있음을 해결하기 위해.
• 그래프 컬러리션 네트워크에서 다단계 파이프라인에 의존하는 것의 취약성과 엔드 투 엔드가 아닌 점을 극복하기 위해.
• 다양한 수준의 조직 구조 정보를 통합한 통합적이고 엔드 투 엔드 프레임워크를 개발하여 악성 종양 진단을 향상시키기 위해.
• 다중 척도 분석이 유방암 분류의 정확도 향상에 기여하는지 검증하기 위해.

제안 방법

• 조직 병리 영상을 조직 조각을 노드로, 공간적 근접도를 엣지로 정의하는 그래프 표현으로 변환한다.
• 다양한 스케일링 파라미터(s)를 가진 그래프 웨이블릿 변환을 사용하여 조직 구조의 局부적이고 다중 척도적 분석을 가능하게 한다.
• 다양한 스케일링 파라미터를 가진 병렬적인 다수의 그래프 웨이블릿 신경망(GWNNs)을 사용하여 다양한 구조 수준의 특징을 추출한다.
• 다양한 척도에서 유도된 특징들은 학습 가능한 융합 메커니즘을 통해 결합되고 통합되어 그래프 수준의 분류 예측을 생성한다.
• 노드 수준 및 그래프 수준의 지도 학습을 모두 사용하여 엔드 투 엔드로 모델을 훈련시키며, 두 손실을 균형 잡는 하이퍼파rameter λ를 사용한다.
• t-SNE 시각화를 통해 다양한 척도에서의 임bedding이 서로 다른 구조 패턴을 인코딩하는 것으로 나타났으며, 중간 척도에서는 종양 영역의 응집 패턴이 뚜렷하게 드러났다.

실험 결과

연구 질문

• RQ1 다중 척도 그래프 웨이블릿 표현은 조직 병리 영상의 계층적 조직 구조를 효과적으로 포착할 수 있는가?
• RQ2 다단계 GCN 파이프라인에 비해 엔드 투 엔드로 훈련된 그래프 웨이블릿 네트워크가 진단 성능을 향상시키는가?
• RQ3 그래프 웨이블릿에서 다양한 스케일링 파라미터(s)는 모델의 맥락적 조직 특징 학습 능력에 어떻게 영향을 주는가?
• RQ4 정확한 악성 종양 분류를 위해 노드 수준과 그래프 수준의 지도 학습 간 최적의 균형은 무엇인가?
• RQ5 전체 슬라이드 영상에서 고정확도의 유방암 진단을 위해서는 다중 척도 특징 학습이 필수적인가?

주요 결과

• MS-GWNN는 BACH 데이터셋에서 93.75%의 정확도와 BreakHis 데이터셋에서 99.67%의 정확도를 기록하여 기존 최신 기술들을 능가하였다.
• 절단 실험을 통해 다중 척도 분석이 진단 정확도 향상에 상당한 기여를 함을 확인하였으며, 모든 척도를 사용했을 때 최고의 성능를 기록하였다.
• 손실 균형화를 위한 최적의 스케일링 파라미터 λ는 1로 확인되었으며, 이는 노드 수준과 그래프 수준의 지도 학습이 동일한 중요도를 가짐을 의미한다.
• t-SNE 시각화 결과, 다양한 척도에서의 그래프 웨이블릿 임베딩은 서로 다른 조직 패턴을 인코딩하는 것으로 나타났다: 중간 척도에서는 종양 영역의 고밀도 응집 패턴이 드러났고, 더 큰 척도에서는 더 넓은 조직 구조적 조직이 포착되었다.
• 외부 세포 검출 또는 특징 추출 단계에 의존하지 않고도 풍부한 계층적 표현을 학습함으로써 모델은 강건성과 일반화 능력을 입증하였다.
• 본 연구는 적응적 스케일링을 가진 그래프 웨이블릿이 디지털 병리학에서 다중 수준의 조직 구조를 모델링하는 데 강력한 인덕티브 바이어스를 제공함을 확인하였다.