[논문 리뷰] PanNuke Dataset Extension, Insights and Baselines

Jevgenij Gamper, Navid Alemi Koohbanani외 7명|arXiv (Cornell University)|2020. 03. 24.

AI in cancer detection참고 문헌 45인용 수 156

한 줄 요약

이 논문은 PanNuke를 ~190k 개의 핵으로 19개의 조직에 걸쳐 확장하고, 분할/분류 모델을 벤치마크하며, 실제 세계의 일반화를 분석하고, NuClick으로 Semi-automatic, QC-ed ground-truth 파이프라인을 제공합니다.

ABSTRACT

The emerging area of computational pathology (CPath) is ripe ground for the application of deep learning (DL) methods to healthcare due to the sheer volume of raw pixel data in whole-slide images (WSIs) of cancerous tissue slides. However, it is imperative for the DL algorithms relying on nuclei-level details to be able to cope with data from `the clinical wild', which tends to be quite challenging. We study, and extend recently released PanNuke dataset consisting of ~200,000 nuclei categorized into 5 clinically important classes for the challenging tasks of segmenting and classifying nuclei in WSIs. Previous pan-cancer datasets consisted of only up to 9 different tissues and up to 21,000 unlabeled nuclei and just over 24,000 labeled nuclei with segmentation masks. PanNuke consists of 19 different tissue types that have been semi-automatically annotated and quality controlled by clinical pathologists, leading to a dataset with statistics similar to the clinical wild and with minimal selection bias. We study the performance of segmentation and classification models when applied to the proposed dataset and demonstrate the application of models trained on PanNuke to whole-slide images. We provide comprehensive statistics about the dataset and outline recommendations and research directions to address the limitations of existing DL tools when applied to real-world CPath applications.

연구 동기 및 목표

• 더 큰 임상적으로 대표적인 핵 데이터셋을 픽셀 단위 경계와 다중 클래스 레이블로 제공한다.
• NuClick을 활용한 반자동적인 ground-truth 생성 및 품질 관리 파이프라인을 설명한다.
• PanNuke에서 다중 최첨단 핵 분할 모델을 벤치마크하고 기준선을 확립한다.
• 학습된 모델의 보지 않은 조직(예: 뇌)에 대한 일반화 여부를 분석하고 실제 응용 가능성에 대해 논의한다.
• 실제 세계의 계산 병리학에서 DL 도구의 제한점을 해결하기 위한 가이드라인과 연구 방향을 제시한다.

제안 방법

• 다중 공개 데이터 세트를 모아 FCNN 탐지기를 훈련시키고 핵을 식별한 다음 병리학적 확인으로 반복하는 반자동 ground-truth 생성.
• 확인된 핵 점으로 조건화된 NuClick으로 생성된 핵 분할 마스크를 사용하여 픽셀 단위 경계를 정확하게 생성.
• 패치 추출 및 조직 간 공정한 교차 모델 비교를 위한 세 가지 무작위 분할.
• 정확도 임계값 0.5에서 실제 양성으로 간주되는 IoU를 사용한 다중 클래스 Panoptic Quality(mPQ) 및 이진 PQ(bPQ) 지표로 평가.
• 4개 모델(DIST, Mask-RCNN, Micro-Net, HoVer-Net)을 핵 분할 및 분류를 동시에 수행하도록 조정하여 벤치마크를 수행; 또한 탐지 기반 U-Net 변형도 포함.
• PanNuke에서 학습된 모델을 보지 않은 뇌 조직에 일반화하는 테스트를 수행한다.

실험 결과

연구 질문

• RQ1 PanNuke가 임상적으로 관련된 인공물과 함께 19개 다양한 조직에서 로버스트한 핵 수준의 분할 및 분류를 제공하는가?
• RQ2 표준화된 다중 클래스 PQ 지표를 사용하여 PanNuke에서 최첨단 분할 모델의 성능은 어떠한가?
• RQ3 PanNuke에서의 학습이 보지 않은 조직으로 일반화되는가, 그리고 핵 카테고리 예측 측면에서의 한계는 무엇인가?
• RQ4 실제 세계의 계산 병리학 데이터에 배포될 때 현재 DL 도구의 실용적 함의와 한계는 무엇인가?

주요 결과

• PanNuke에는 19개의 조직에서 20,000개 이상의 WSIs에서 열거적으로 주석이 달린 189,744개의 핵이 있으며, 5개의 핵 클래스가 있다.
• HoVer-Net이 핵 분할 및 분류에 대해 조직 간 평균 성능(mPQ 및 bPQ)에서 최고를 기록했다.
• 사망 핵은 크기가 작아 PQ가 낮게 나오는 경우가 많아 도전적이며, 클래스 불균형이 일부 카테고리의 성능에 영향을 준다.
• 분할 모델은 일반적으로 탐지 기반 접근법보다 핵 중심점에서의 탐지 메트릭 평가 시 우수하다.
• PanNuke에서 학습된 모델이 보지 않은 뇌 조직에서 응용 가능성을 시사하는 양호한 분할 일반화를 보였으나 새로운 조직의 카테고리 예측은 여전히 도전적이다.
• 평가 프레임워크(mPQ/bPQ)를 제공하고 평가 코드를 공개하는 것은 재현성 및 추가 벤치마크에 기여한다.