[논문 리뷰] Multi-scale Deep Learning Architecture for Nucleus Detection in Renal Cell Carcinoma Microscopy Image

Shiba Kuanar, Vassilis Athitsos외 2명|arXiv (Cornell University)|2021. 01. 01.

AI in cancer detection참고 문헌 31인용 수 4

한 줄 요약

이 논문은 신우세포암(기저핵세포암, ccRCC) 조직 영상에서 자동으로 세포핵을 감지하기 위한 다중 척도 딥 러닝 아키텍처를 제안한다. 다중 척도 특징 피라미드와 사활성 지ap을 활용하여 검출 정확도를 향상시킨다. 이 방법은 400장의 IHC 염색 슬라이드로 구성된 코hort에서 최신 기술을 능가하는 F1 스코어 86.3%와 평균 AUPR 85.73%를 달성한다.

ABSTRACT

Clear cell renal cell carcinoma (ccRCC) is one of the most common forms of intratumoral heterogeneity in the study of renal cancer. ccRCC originates from the epithelial lining of proximal convoluted renal tubules. These cells undergo abnormal mutations in the presence of Ki67 protein and create a lump-like structure through cell proliferation. Manual counting of tumor cells in the tissue-affected sections is one of the strongest prognostic markers for renal cancer. However, this procedure is time-consuming and also prone to subjectivity. These assessments are based on the physical cell appearance and suffer wide intra-observer variations. Therefore, better cell nucleus detection and counting techniques can be an important biomarker for the assessment of tumor cell proliferation in routine pathological investigations. In this paper, we introduce a deep learning-based detection model for cell classification on IHC stained histology images. These images are classified into binary classes to find the presence of Ki67 protein in cancer-affected nucleus regions. Our model maps the multi-scale pyramid features and saliency information from local bounded regions and predicts the bounding box coordinates through regression. Our method validates the impact of Ki67 expression across a cohort of four hundred histology images treated with localized ccRCC and compares our results with the existing state-of-the-art nucleus detection methods. The precision and recall scores of the proposed method are computed and compared on the clinical data sets. The experimental results demonstrate that our model improves the F1 score up to 86.3% and an average area under the Precision-Recall curve as 85.73%.

연구 동기 및 목표

• 신우세포암 병리에서 수작업 종양세포 수세기의 높은 관찰자 간 변동성과 시간 소모 문제를 해결하기 위해.
• IHC 염색된 신우세포암 조직 영상에서 Ki67 양성 세포핵을 자동으로, 객관적으로 감지하기 위한 방법을 개발하기 위해.
• 국소 이미지 영역의 다중 척도 특징과 사활성 정보를 통합하여 세포핵 감지 정확도를 향상시키기 위해.
• 400장의 임상적 ccRCC 조직 영상 코hort에서 모델 성능을 검증하고 기존 최신 기술과 비교하기 위해.
• 딥 러닝 기반 세포핵 감지를 통해 신뢰할 수 있는 종양세포 증식 생물학적 표지자 설정하기 위해.

제안 방법

• 모델은 다양한 수용 필드 크기를 갖는 맥락 정보를 캡처하기 위해 다중 척도 특징 피라미드를 활용한다.
• 지역적 유한 영역에서 사활성 지도를 추출하여 세포핵 감지에 적합한 영역을 강조한다.
• 융합된 다중 척도 특징 기반으로 바운딩 박스 좌표를 예측하기 위해 회귀 헤드를 사용한다.
• 세포핵을 Ki67 양성 또는 음성으로 분류하기 위해 IHC 염색 조직 영상에서 엔드 투 엔드로 모델을 훈련시킨다.
• 다양한 세포 크기와 염색 강도에 대비한 감지 강건성을 향상시키기 위해 척도 간 특징 맵을 융합한다.
• 정밀도, 재현율, F1 스코어, 정밀도-재현율 곡선 아래 면적(AUPR)을 사용하여 방법을 평가한다.

실험 결과

연구 질문

• RQ1 기존 방법과 비교해 볼 때, 다중 척도 딥 러닝 아키텍처가 ccRCC 조직 영상에서 세포핵 감지 정확도를 향상시킬 수 있는가?
• RQ2 국소 영역에서의 사활성 정보를 통합할 경우 세포핵의 국소화 및 분류에 얼마나 기여하는가?
• RQ3 400장의 IHC 염색된 ccRCC 슬라이드로 구성된 임상 코호트에서 제안된 모델의 F1 스코어와 AUPR 성능은 어떠한가?
• RQ4 다중 척도 특징 통합이 크기 변동성과 염색 이질성으로 인한 감지 오류를 감소시키는가?
• RQ5 모델이 신우세포암 예후 평가에서 Ki67 발현에 대한 신뢰할 수 있는 자동 생물학적 표지자로 활용될 수 있는가?

주요 결과

• 제안된 모델은 F1 스코어 86.3%를 달성하여 세포핵 감지에서 정밀도와 재현율 사이의 균형이 우수함을 나타낸다.
• 정밀도-재현율 곡선 아래 면적(AUPR) 평균은 85.73%에 도달하여 높은 수준의 감지 성능을 입증한다.
• 검토된 임상 데이터셋인 400장의 ccRCC 조직 영상에서 기존 최신 기술보다 뛰어난 성능을 보였다.
• 다중 척도 특징과 사활성 정보의 통합은 다양한 이미지 조건에서 감지 강건성을 크게 향상시켰다.
• 자동 정확한 세포핵 감지를 통해 병리학적 평가의 주관성과 시간 부담을 감소시켰다.
• 결과는 모델이 신우세포암에서 종양세포 증식에 대한 신뢰할 수 있는 생물학적 표지자로 잠재력을 지닌다는 것을 확인한다.