[논문 리뷰] ScanNet: A Fast and Dense Scanning Framework for Metastatic Breast Cancer Detection from Whole-Slide Images

Huangjing Lin, Hao Chen외 4명|arXiv (Cornell University)|2017. 07. 30.

AI in cancer detection참고 문헌 10인용 수 10

한 줄 요약

이 논문은 전체 슬라이드 이미지(WSIs)에서 전이성 유방암 검출을 위한 빠르고 밀도 높은 전결합 신경망(FCN)-기반 프레임워크인 ScanNet을 제안한다. 큰 수신 영역, 비동기적 데이터 프리패칭, 하드 네거티브 마이닝을 활용하여, 다양한 오프셋에서 효율적인 추론과 밀도 높은 예측을 가능하게 하여, Camelyon16 벤치마크에서 최신 기술 수준의 성능을 달성하며, FROC 점수 0.8533을 기록하고 인간 전문가 성능을 초월한다(AUC 0.9875 vs. 0.9660).

ABSTRACT

Lymph node metastasis is one of the most significant diagnostic indicators in breast cancer, which is traditionally observed under the microscope by pathologists. In recent years, computerized histology diagnosis has become one of the most rapidly expanding fields in medical image computing, which alleviates pathologists' workload and reduces misdiagnosis rate. However, automatic detection of lymph node metastases from whole slide images remains a challenging problem, due to the large-scale data with enormous resolutions and existence of hard mimics. In this paper, we propose a novel framework by leveraging fully convolutional networks for efficient inference to meet the speed requirement for clinical practice, while reconstructing dense predictions under different offsets for ensuring accurate detection on both micro- and macro-metastases. Incorporating with the strategies of asynchronous sample prefetching and hard negative mining, the network can be effectively trained. Extensive experiments on the benchmark dataset of 2016 Camelyon Grand Challenge corroborated the efficacy of our method. Compared with the state-of-the-art methods, our method achieved superior performance with a faster speed on the tumor localization task and surpassed human performance on the WSI classification task.

연구 동기 및 목표

• 극도로 높은 해상도, 클래스 불균형, 어려운 유사 병변으로 인해 전체 슬라이드 이미지(WSIs)에서 림프절 전이를 탐지하는 데 도전하는 문제를 해결하기 위해.
• 높은 해상도에서 느리고 중복적인 패치 기반 추론을 피하는 계산적으로 효율적인 방법을 개발하기 위해.
• 밀도 높은 다중 오프셋 확률 맵 재구성으로 인해 미세 및 거시 전이 모두의 탐지 정확도를 향상시키기 위해.
• 처리 시간을 단축하면서도 높은 민감도와 특이도를 유지함으로써 임상 적용 가능성을 확보하기 위해.

제안 방법

• 지그잭스픽스터의 큰 수신 영역을 가진 수정된 전결합 신경망(FCN)을 사용하여 기가피IXEL WSIs에서 엔드 투 엔드로 효율적인 추론을 수행한다.
• 학습 속도를 향상시키고 데이터 I/O 병목 현상을 줄이기 위해 비동기적 샘플 프리패칭을 적용한다.
• 풍부한 배경 영역으로 인한 심각한 클래스 불균형 문제를 해결하기 위해 학습 중 하드 네거티브 마이닝을 적용한다.
• 다중 공간 오프셋에서의 확률 맵 재구성으로 인해 밀도 높은 예측을 생성함으로써 국소화 정확도를 향상시킨다.
• 오차를 줄이고 가짜 양성 결과를 감소시키기 위해 후처리 단계에서 형태학적 연산을 사용한다.
• 계산 부담을 줄이기 위해 비정보성 영역을 제거하는 단순하지만 효과적인 사전 처리 단계를 도입한다.

실험 결과

연구 질문

• RQ1 전결합 신경망이 패치 기반 분류 없이 전체 슬라이드 이미지에서 전이성 유방암을 신속하고 정확하게 탐지할 수 있는가?
• RQ2 밀도 높은 다중 오프셋 예측은 고해상도 WSIs에서 미세 및 거시 전이 모두의 탐지에 어떻게 기여하는가?
• RQ3 극도로 불균형한 클래스 상황에서 하드 네거티브 마이닝과 비동기 프리패칭이 모델 성능과 학습 효율성에 얼마나 기여하는가?
• RQ4 제안된 프레임워크는 전체 슬라이드 이미지 수준의 분류에서 인간의 성능을 초월하는가?

주요 결과

• ScanNet는 종양 국소화 작업에서 FROC 점수 0.8533을 기록하여 2위 메서드(0.8074)보다 4.6%포인트 높은 성능을 달성했다.
• WSI 분류 작업에서 인간 전문가의 AUC 0.9660에 비해 AUC 0.9875를 기록하여 인간 성능을 초월했다.
• 하드 네거티브 마이닝의 사용은 성능 향상에 크게 기여했으며, ScanNet-32는 마이닝을 적용한 경우 FROC 점수 0.8133을 기록했고, 적용하지 않은 경우 0.7030이었다.
• 1개의 GTX TITAN X GPU에서 200,000×100,000 픽셀 크기의 WSI를 처리하는 데 15분 미만이 소요되어 임상 적용 가능성은 입증되었다.
• 다중 오프셋 재구성에 기반한 밀도 높은 예측 전략은 더 흐린 예측 방법에 비해 미세 전이의 탐지 성능이 뛰어났다.
• Camelyon16 벤치마크에서 최신 기술 수준의 성능을 달성하여, 실제 임상 환경에서의 효과성과 효율성을 입증했다.