[논문 리뷰] Reinforced Auto-Zoom Net: Towards Accurate and Fast Breast Cancer Segmentation in Whole-slide Images

Nanqing Dong, Michael Kampffmeyer외 4명|arXiv (Cornell University)|2018. 07. 29.

AI in cancer detection참고 문헌 12인용 수 9

한 줄 요약

이 논문은 정확하고 효율적인 유방암 분할을 위해 전체 슬라이드 이미지(WSIs)의 의심스러운 영역에 선택적으로 줌 인하는 데에 중점을 두는 딥 강화학습 프레임워크인 강화된 오토줌 넷(RAZN)을 제안한다. 줌 인할 시기를 결정하는 정책을 학습시킴으로써 RAZN은 불균형하고 노이즈가 많은 데이터에서 분할 정확도를 향상시키며, 단일 및 다중 해상도 기반 기준보다 추론 시간을 단축시킨다. 평균 IOU는 0.49를 기록하고 상대적 추론 시간은 2.71 ± 0.57을 기록한다.

ABSTRACT

Convolutional neural networks have led to significant breakthroughs in the domain of medical image analysis. However, the task of breast cancer segmentation in whole-slide images (WSIs) is still underexplored. WSIs are large histopathological images with extremely high resolution. Constrained by the hardware and field of view, using high-magnification patches can slow down the inference process and using low-magnification patches can cause the loss of information. In this paper, we aim to achieve two seemingly conflicting goals for breast cancer segmentation: accurate and fast prediction. We propose a simple yet efficient framework Reinforced Auto-Zoom Net (RAZN) to tackle this task. Motivated by the zoom-in operation of a pathologist using a digital microscope, RAZN learns a policy network to decide whether zooming is required in a given region of interest. Because the zoom-in action is selective, RAZN is robust to unbalanced and noisy ground truth labels and can efficiently reduce overfitting. We evaluate our method on a public breast cancer dataset. RAZN outperforms both single-scale and multi-scale baseline approaches, achieving better accuracy at low inference cost.

연구 동기 및 목표

• 고해상도 전체 슬라이드 이미지(WSIs)에서 정확하고 빠른 유방암 분할 문제를 해결하기 위해 하드웨어 및 시야 제약 조건을 고려한다.
• 픽셀 수준의 애너테이션에서 발생하는 데이터 불균형과 노이즈 문제를 해결하여 기존 딥러닝 접근 방식에서의 과적합을 방지한다.
• 강화학습을 활용해 병리학자가 선택적으로 줌 인하는 행동을 모방하는 프레임워크를 개발하여 효율성과 강건성을 향상시킨다.
• 기존의 다중 해상도 학습 전략과 비교하여 강화학습의 의료 영상 분할 적용 효과를 평가한다.

제안 방법

• RAZN는 정책 그래เดียน트 방법을 통해 학습된 정책 네트워크를 사용하여, WSI 패치의 주어진 영역에 대해 줌 인할지 여부를 결정한다.
• 프레임워크는 두 가지 해상도 척도를 사용한다: 굵은(64×64) 및 세밀한(128×128)이며, 모두 분할 네트워크의 입력으로 256×256로 리사이징된다.
• 분할 네트워크는 ResNet18 기반으로, 정책 네트워크의 계산 비용을 줄이기 위해 수정된 잔차 블록을 사용한다.
• 정책 네트워크는 Adam 옵timizer를 사용하여 분할 네트워크와 함께 엔드 투 엔드로 훈련되며, 단계별 학습률 감소 전략을 적용한다.
• 줌 인 결정은 확률적이다. 이는 모델이 정보가 없는 영역에 대한 불필요한 업샘플링과 훈련을 피할 수 있도록 한다.
• 모델은 평가 지표로 평균 IOU와 가중 IOU를 사용하며, 상대적 추론 시간은 단일 해상도 기준에 대해 정규화된다.

실험 결과

연구 질문

• RQ1 강화학습 기반의 줌 인 정책이 불균형하고 노이즈가 많은 전체 슬라이드 이미지에서 분할 정확도를 향상시킬 수 있는가?
• RQ2 선택적 줌 인이 정상 및 양성 조직에서의 과적합을 줄이고, 악성 종양 영역에서의 특징 학습을 향상시키는가?
• RQ3 강화학습 기반의 자동 줌 인 메커니즘의 추론 속도는 고정된 다중 해상도 접근 방식보다 어떻게 비교되는가?
• RQ4 제안된 프레임워크가 정확성과 효율성 측면에서 단일 해상도 및 다중 해상도 기준보다 뛰어나게 성능을 내는가?

주요 결과

• RAZN는 평균 IOU 0.49를 기록하여 단일 해상도 기준(0.38)과 다중 해상도 MS 모델(0.18)을 크게 앞서며 뛰어난 성능을 보였다.
• RAZN의 가중 IOU는 0.11로 모든 방법 중에서 가장 높았으며, 희귀하거나 불균형한 클래스에서의 성능 향상을 시사한다.
• RAZN의 상대적 추론 시간은 2.71 ± 0.57로, 다중 해상도 기준(MS: 5.06, Attention: 5.16)보다 빠르며 효율성을 입증했다.
• MS 모델은 데이터 증강이 클래스 불균형을 악화시키고 노이즈를 유발함으로써 성능이 열악했으며, 평균 IOU는 0.18에 머물렀다.
• Attention 모델은 중간 정도의 성능 향상을 보였지만 여전히 RAZN에 뒤져, 고정된 크기의 작고 작은 악성 세포에 대해 스케일 융합 전략이 최적일 수 없다는 것을 시사한다.
• RAZN의 확률적 줌 인 정책은 비의심 영역에 대한 불필요한 훈련을 피함으로써 과적합을 줄이고, 노이즈 레이블에 대한 강건성을 향상시켰다.