[논문 리뷰] Nuclei Grading of Clear Cell Renal Cell Carcinoma in Histopathological Image by Composite High-Resolution Network

Zeyu Gao, Jiangbo Shi외 7명|arXiv (Cornell University)|2021. 06. 20.

AI in cancer detection참고 문헌 18인용 수 5

한 줄 요약

이 논문은 청색세포 신우세포암(모세관신우세포암, ccRCC) 조직병리 영상에서 자동 세포핵 등급 분류를 위한 복합 고해상도 네트워크(CHR-Net)를 제안한다. 이는 정밀한 세포핵 인스턴스 세분화를 위한 이단계 W-Net과 미세한 등급 분류에서의 클래스 간 유사성 문제를 해결하기 위한 이중 고해상도 특징 추출기(HRFE) 프레임워크를 결합한다. 새로운 데이터셋(70,945개의 레이블링된 세포핵 포함)에서 최신 기술 수준의 성능을 달성하여, 등급 분류의 평균 정밀도에서 기존 방법 대비 최대 6.82% 향상되었다.

ABSTRACT

The grade of clear cell renal cell carcinoma (ccRCC) is a critical prognostic factor, making ccRCC nuclei grading a crucial task in RCC pathology analysis. Computer-aided nuclei grading aims to improve pathologists' work efficiency while reducing their misdiagnosis rate by automatically identifying the grades of tumor nuclei within histopathological images. Such a task requires precisely segment and accurately classify the nuclei. However, most of the existing nuclei segmentation and classification methods can not handle the inter-class similarity property of nuclei grading, thus can not be directly applied to the ccRCC grading task. In this paper, we propose a Composite High-Resolution Network for ccRCC nuclei grading. Specifically, we propose a segmentation network called W-Net that can separate the clustered nuclei. Then, we recast the fine-grained classification of nuclei to two cross-category classification tasks, based on two high-resolution feature extractors (HRFEs) which are proposed for learning these two tasks. The two HRFEs share the same backbone encoder with W-Net by a composite connection so that meaningful features for the segmentation task can be inherited for the classification task. Last, a head-fusion block is applied to generate the predicted label of each nucleus. Furthermore, we introduce a dataset for ccRCC nuclei grading, containing 1000 image patches with 70945 annotated nuclei. We demonstrate that our proposed method achieves state-of-the-art performance compared to existing methods on this large ccRCC grading dataset.

연구 동기 및 목표

• ccRCC 조직병리 영상에서 세분화된 등급 분류에 도전하는 문제를 해결하기 위해, 등급 간 상호 유사성이 높아 분류를 어렵게 만드는 문제를 다룬다.
• 이중 단계 W-Net 아키텍처를 사용하여 군집화되거나 겹치는 세포핵의 세분화 정확도를 향상시킨다.
• 세분화된 등급 분류 과제를 두 개의 교차 분류 과제로 분해하는 이중 분류 브랜치 프레임워크를 개발하여 보다 우수한 특징 학습을 가능하게 한다.
• ccRCC 등급 분류를 위해 4종류(등급 1~3 및 내피세포)의 70,945개 세포핵을 철저히 레이블링한 새로운 대규모 데이터셋을 제안한다.
• 공유 백본 인코더에서 유도된 특징을 공유하는 복합 연결을 통해 세분화와 분류를 통합하여 특징 표현을 향상시킨다.

제안 방법

• 이중 단계 W-Net을 인스턴스 세분화에 사용한다: 첫 번째 U-Net 유사 네트워크는 이진 전경-배경 맵을 예측하고, 두 번째 네트워크는 이 맵에서 거리 맵을 예측한다.
• 분류 브랜치는 HRNet 기반의 두 개의 고해상도 특징 추출기(HRFE)를 사용하며, 각각 ISUP/WHO 등급 지침에서 유도된 교차 분류 과제에 특화되어 있다.
• 복합 연결은 W-Net의 공유 백본 인코더에서 유도된 특징을 HRFE 브랜치에 융합하여 분류를 위한 고해상도 표현을 유지한다.
• 헤드 융합 블록은 두 개의 HRFE 브랜치에서 유도된 예측을 융합하여 최종 세포핵 등급 레이블을 생성한다.
• 학습은 Adam 옵timizer를 사용하여 100 에포크 동안 엔드 투 엔드로 수행되며, 초기 학습률은 10⁻⁴이며 25 에포크 후 10⁻⁵로 감소한다. 백본으로 ImageNet 미사전 학습된 ResNet-34를 사용한다.
• 모델은 1,000개의 이미지 패치를 포함한 새로운 데이터셋에서 평가되며, PQ, Dice, AJI, aPQ 등의 지표를 사용한다.

실험 결과

연구 질문

• RQ1 이중 단계 세분화 네트워크는 ccRCC 조직병리 영상에서 군집화되거나 겹치는 세포핵을 효과적으로 분리할 수 있는가?
• RQ2 세분화된 등급 분류 과제를 두 개의 교차 분류 과제로 분해하는 것이 직접적인 다중 분류 과제보다 성능을 향상시키는가?
• RQ3 분류 브랜치 전반에 걸쳐 고해상도 특징을 유지하면 저대비, 형태학적으로 유사한 세포핵에서 성능 향상이 이루어지는가?
• RQ4 세분화 백본에서 유도된 특징을 공유하는 복합 연결이 다중 작업 학습 환경에서 분류 정확도를 향상시키는가?
• RQ5 제안된 방법은 대규모 세분화된 ccRCC 세포핵 데이터셋에서 세분화 및 분류 성능 측면에서 최신 기술 수준의 모델과 비교해 어떻게 성능을 내는가?

주요 결과

• CHR-Net는 ccRCC 세포핵 분류 데이터셋에서 평균 PQ 점수 0.7497을 기록하여 U-Net(0.7359), Mask-RCNN, Micro-Net, HoVer-Net을 모두 앞서며 최고 성능을 달성했다.
• 세포핵 분류에서 평균 정밀도(aPQ) 기준으로 U-Net 대비 6.82% 향상되었고, Mask-RCNN 대비 7.09%, Micro-Net 대비 3.51%, HoVer-Net 대비 3.9% 향상되었다.
• 이중 단계 W-Net 세분화 브랜치(MHR+WDist)는 Dice 점수 0.8790과 PQ 0.7497을 기록하여 단일 브랜치 모델 SHR(Dice: 0.8692, PQ: 0.6980)보다 유의미하게 뛰어났다.
• 절단 실험 결과, 이중 HRFE(MHR)는 단일 HRFE 대비 등급 2와 3에서 PQ를 각각 1.5~2.5% 향상시켜 과제 분해의 유용성을 입증했다.
• 세분화 브랜치가 없는 모델(SHR)도 U-Net보다 등급 1(PQ: 0.6376 대비 0.5911)과 내피세포핵(PQ: 0.4342 대비 0.3857)에서 더 높은 PQ를 기록하여 HRFE 설계의 효과성을 입증했다.
• MHR+WDist 변종은 기본 SHR 모델 대비 평균 PQ가 3.94% 높아, 이중 단계 세분화가 분류 성능 향상에 긍정적인 영향을 미친다는 것을 확인했다.