[논문 리뷰] PFA-ScanNet: Pyramidal Feature Aggregation with Synergistic Learning for Breast Cancer Metastasis Analysis

Zixu Zhao, Huangjing Lin외 2명|arXiv (Cornell University)|2019. 05. 03.

AI in cancer detection참고 문헌 11인용 수 5

한 줄 요약

PFA-Scanet은 피라미드형 특징 집약과 상호보완적 학습을 통한 스캔 기반 완전 컨volution 네트워크를 제안하여 지그아픽셀 전체 슬라이드 영상(WSI)에서 유방암 전이의 정확하고 빠른 검출을 실현한다. 다중 스케일 특징을 파rameter 효율적인 모듈을 통해 융합하고, 감지기와 의미 지도형 디코더를 함께 훈련시킴으로써 Camelyon16에서 최신 기술 수준(FROC 90.2%)을 달성하였으며, Camelyon17에서는 카파 점수 0.905를 기록하였다. 한 번의 GPU에서 WSI당 평균 7.2분의 빠른 추론 속도를 유지를 하였다.

ABSTRACT

Automatic detection of cancer metastasis from whole slide images (WSIs) is a crucial step for following patient staging and prognosis. Recent convolutional neural network based approaches are struggling with the trade-off between accuracy and computational efficiency due to the difficulty in processing large-scale gigapixel WSIs. To meet this challenge, we propose a novel Pyramidal Feature Aggregation ScanNet (PFA-ScanNet) for robust and fast analysis of breast cancer metastasis. Our method mainly benefits from the aggregation of extracted local-to-global features with diverse receptive fields, as well as the proposed synergistic learning for training the main detector and extra decoder with semantic guidance. Furthermore, a high-efficiency inference mechanism is designed with dense pooling layers, which allows dense and fast scanning for gigapixel WSI analysis. As a result, the proposed PFA-ScanNet achieved the state-of-the-art FROC of 90.2% on the Camelyon16 dataset, as well as competitive kappa score of 0.905 on the Camelyon17 leaderboard. In addition, our method shows leading speed advantage over other methods, about 7.2 min per WSI with a single GPU, making automatic analysis of breast cancer metastasis more applicable in the clinical usage.

연구 동기 및 목표

• 지그아픽셀 전체 슬라이드 영상(WSI)에서 유방암 전이의 정확하고 효율적인 검출 문제를 해결하기 위해, 계산적으로 부담이 크고 임의의 양성 결과가 발생하기 쉬운 환경을 고려한다.
• 다양한 스케일의 특징을 포괄하고 정상 조직과 전이 조직 간의 어려운 유사 유형(예: 미세 전이)을 구분하는 데에 한계가 있는 패치 기반 및 스캔 기반 모델의 문제점을 해결한다.
• 작은 전이 병변(예: ITC, 미세 전이)의 감지 민감도를 향상시키면서도, 유사한 형태학적 특징을 가진 영역으로 인한 임의의 양성 결과를 최소화한다.
• 정확도를 희생시키지 않은 채 대규모 WSI를 고밀도로 효율적으로 스캔할 수 있는 고속 추론 메커니즘을 개발한다.
• 의미 정보를 훈련 과정에 통합하여 모델의 일반화 능력 향상과 전이 병변의 국소화 정확도를 향상시킨다.

제안 방법

• 다양한 수용 영역을 가진 다중 피라미드 수준에서 국소적에서 전역적 특징을 추출할 수 있는 파라미터 효율적 특징 추출(PFE) 모듈을 도입하여, 파라미터 수를 줄이고 특징 표현 능력을 향상시킨다.
• 상향식(감지기) 및 하향식(디코더) 경로에서 피라미드형 특징 집약 전략을 적용하여 다중 스케일 특징을 융합하고 구분 능력을 향상시킨다.
• 밀도 있는 풀링 레이어를 사용한 고효율 추론 메커니즘을 설계하여, 패치 기반 훈련 방식을 유지하면서도 대용량 입력 크기의 전체 WSI 스캔을 가능하게 한다.
• 주 감지기와 의미 지도형 디코더를 함께 훈련시키는 상호보완적 학습 전략을 제안하여, 다양한 크기의 전이 병변 검출 능력을 향상시킨다.
• 이중 경로 아키텍처를 활용하여 디코더가 감지기의 훈련에 의미 정보를 제공함으로써 특징 학습을 강화하고 임의의 양성 결과를 감소시킨다.
• 32의 스트라이드와 16의 밀도 계수 α를 사용한 밀도 있는 스캔을 적용하여, 2708×2708 ROI에서 고속이고 고해상도의 추론을 가능하게 한다.

실험 결과

연구 질문

• RQ1 스캔 기반 모델에서 피라미드형 특징 집약 전략이 지그아픽셀 WSI에서 유방암 전이 검출 정확도를 크게 향상시킬 수 있는가?
• RQ2 감지기와 의미 지도형 디코더 간의 상호보완적 학습이 미세 전이 병변(예: ITC, 미세 전이)에 대한 민감도를 향상시키면서도 임의의 양성 결과를 줄일 수 있는가?
• RQ3 경량화되고 파라미터 효율적인 특징 추출 모듈이 WSI 분석에서 계산 비용을 줄이면서도 높은 성능을 유지할 수 있는가?
• RQ4 밀도 있는 풀링을 활용한 제안된 고효율 추론 메커니즘이 정확도를 희생시키지 않고 기존 스캔 기반 모델 대비 성능에서 뛰어난가?
• RQ5 표준화된 벤치마크인 Camelyon16 및 Camelyon17에서 제안된 방법이 최신 기술 수준의 모델과 FROC, AUC, 카파 점수 측면에서 어떻게 비교되는가?

주요 결과

• PFA-Scanet은 Camelyon16 데이터셋에서 기존 최신 기술 수준 모델보다 2% 높은 최신 기술 수준의 FROC 90.2%를 달성하였다.
• Camelyon17 랭킹에서 경쟁력 있는 카파 점수 0.905를 기록하여, 앙상블 모델을 사용한 챌린지 우승자(Lunit Inc.)를 능가하였다.
• WSI당 단일 GPU 기준 평균 7.2분의 추론 시간을 기록하여, DeepBio Inc.(633.2분) 및 Lunit Inc.(454.4분)를 포함한 대부분의 최신 기술 수준 모델보다 빠른 속도를 확보하였다.
• 제거 실험 결과, 상호보완적 학습을 제거할 경우 FROC는 3% 감소하고 카파 점수는 14% 감소함을 확인하여, 성능 향상에 있어 핵심적인 역할을 한다는 것을 입증하였다.
• 정성적 결과 분석에서 PFA-Scanet은 특히 수축성 ITC 사례에서 더 완전하고 확률이 높은 예측 결과를 생성하며, 임의의 양성 결과도 적게 발생시켰다.
• Camelyon16에서 AUC가 99.2%로 유지되어 강력한 전체 분류 성능와 내구성을 보여주었다.