[논문 리뷰] Multi-stream Faster RCNN for Mitosis Counting in Breast Cancer Images.

Robin Elizabeth Yancey|arXiv (Cornell University)|2020. 02. 01.

AI in cancer detection참고 문헌 38인용 수 7

한 줄 요약

이 논문은 표준 이미지 스트림과 분할된 미토시스 지도 스트림의 특징을 융합하는 다중 스트림 Faster R-CNN 모델을 제안하여 유방암 조직병리학 영상에서의 미토시스 탐지 성능을 향상시킨다. 이 방법은 클라우드 GPU를 사용할 때 10개의 하이 퍼워드 필드 슬라이드당 약 5분 내에 임상적으로 실용적인 추론을 가능하게 하면서도, ICPR 2014 MITOSIS 데이터셋에서 F-측정치 0.507을 달성하여 대회 수상자들과 최근 기준 성능을 모두 초월한다.

ABSTRACT

Mitotic count is a commonly used method to assess the level of progression of breast cancer, which is now the fourth most prevalent cancer. Unfortunately, counting mitosis is a tedious and subjective task with poor reproducibility, especially for non-experts. Luckily, since the machine can read and compare more data with greater efficiency this could be the next modern technique to count mitosis. Furthermore, technological advancements in medicine have led to the increase in image data available for use in training. In this work, we propose a network constructed using a similar approach to one that has been used for image fraud detection with the segmented image map as the second stream input to Faster RCNN. This region-based detection model combines a fully convolutional Region Proposal Network to generate proposals and a classification network to classify each of these proposals as containing mitosis or not. Features from both streams are fused in the bilinear pooling layer to maintain the spatial concurrence of each. After training this model on the ICPR 2014 MITOSIS contest dataset, we received an F-measure score of 0.507, higher than both the winners score and scores from recent tests on the same data. Our method is clinically applicable, taking only around five min per ten full High Power Field slides when tested on a Quadro P6000 cloud GPU.

연구 동기 및 목표

• 유방암 진단에서의 수작업 미토시스 수세기의 주관성과 낮은 재현성 문제를 해결한다.
• 딥 러닝을 활용해 미토시스 탐지를 자동화하고 정확성과 효율성을 향상시킨다.
• 원본 이미지와 분할된 미토시스 지도 데이터를 이중 스트림으로 활용하여 특징 표현을 향상시킨다.
• 기존 방법들과 비교하여 ICPR 2014 MITOSIS 대회 데이터셋에서 뛰어난 성능을 달성한다.
• 실제 병리학 워크플로우에서 활용 가능한 실용적인 추론 속도를 확보한 임상 적용 가능한 시스템을 개발한다.

제안 방법

• 영역 기반 Faster R-CNN 아키텍처를 사용하고, 영역 제안 네트워크(RPN)를 활용해 후보 객체 제안을 생성한다.
• 잠재적인 미토시스 영역을 강조하는 분할된 이미지 지도를 사용한 두 번째 스트림을 도입하여 추가 입력으로 활용한다.
• 이중 스트림의 특징을 이중 풀링 레이어를 통해 융합하여 공간적 대응 관계를 유지하고 분류 능력을 향상시킨다.
• ICPR 2014 MITOSIS 데이터셋에서 엔드 투 엔드 모델을 훈련하여 제안 생성과 미토시스 분류를 동시에 최적화한다.
• 양쪽 입력 스트림에서 계층적 특징을 추출하기 위해 완전 컨volution 블록 네트워크를 사용한다.
• 표준 검출 손실 함수를 사용하여 모델을 최적화하며, 분류 손실과 바운딩 박스 회귀 손실을 병합한다.

실험 결과

연구 질문

• RQ1 원본 이미지 특징과 분할된 미토시스 지도 스트림을 융합하는 것이 단일 스트림 모델 대비 미토시스 탐지 성능 향상에 기여하는가?
• RQ2 제안된 다중 스트림 접근 방식이 ICPR 2014 MITOSIS 벤치마크에서 최신 기술 수준의 방법들을 능가하는가?
• RQ3 고정밀도 탐지 정확도를 유지하면서도 임상적으로 수용 가능한 추론 속도를 달성할 수 있는가?
• RQ4 이중 풀링 메커니즘이 융합된 특징 공간에서 공간적 관계를 어떻게 유지하는가?
• RQ5 분할 지도의 사용이 노이즈를 얼마나 줄이고 국소화 정밀도를 향상시키는가?

주요 결과

• 제안된 다중 스트림 Faster R-CNN는 ICPR 2014 MITOSIS 데이터셋에서 F-측정치 0.507을 달성하여 대회 수상자들의 성능을 초월했다.
• 동일한 벤치마크 데이터셋에서 최근 최신 기술 수준의 방법들을 능가하는 성능을 보이며 탐지 정확도 향상을 입증했다.
• 시스템은 임상적으로 실용적인 추론 시간을 확보하여, Quadro P6000 클라우드 GPU에서 약 10개의 하이 퍼워드 필드 슬라이드를 약 5분 내에 처리했다.
• 이중 풀링을 통한 원본 이미지와 분할 지도 특징 융합이 공간적 특징 표현과 탐지 신뢰도를 향상시켰다.
• 이 방법은 객관성과 재현성 면에서 뛰어나 수작업 미토시스 수세기에서 기인하는 주관성을 감소시켰다.
• 결과적으로 다중 스트림 특징 융합은 조직병리학 영상에서의 미토시스 탐지 향상에 매우 유망한 접근법임을 시사한다.