[논문 리뷰] Semantic Segmentation of Colon Glands with Deep Convolutional Neural Networks and Total Variation Segmentation

Philipp Kainz, Michael Pfeiffer외 1명|arXiv (Cornell University)|2015. 11. 21.

Radiomics and Machine Learning in Medical ImagingMedicine인용 수 21

한 줄 요약

이 논문은 H&E 염색된 조직병리학적 슬라이드에서 대장 샘을 의미적 분할하기 위한 딥 러닝 프레임워크를 제시한다. 이 프레임워크는 총변화 기반의 도형-배경 분할과 함께 두 개의 컨volution 신경망(Object-Net 및 Separator-Net)을 결합하여 정확도를 향상시킨다. 이 방법은 테스트 세트 A에서 98.33%, 테스트 세트 B에서 93.75%의 조직 분류 정확도를 달성하며, 양성 및 악성 조직 간의 정밀한 구분을 가능하게 한다.

ABSTRACT

Segmentation of histopathology sections is an ubiquitous requirement in digital pathology and due to the large variability of biological tissue, machine learning techniques have shown superior performance over standard image processing methods. As part of the GlaS@MICCAI2015 colon gland segmentation challenge, we present a learning-based algorithm to segment glands in tissue of benign and malignant colorectal cancer. Images are preprocessed according to the Hematoxylin-Eosin staining protocol and two deep convolutional neural networks (CNN) are trained as pixel classifiers. The CNN predictions are then regularized using a figure-ground segmentation based on weighted total variation to produce the final segmentation result. On two test sets, our approach achieves a tissue classification accuracy of 98% and 94%, making use of the inherent capability of our system to distinguish between benign and malignant tissue.

연구 동기 및 목표

• 히스토파스 toll로지 이미지에서 양성 및 악성 대장암 조직의 샘 구조에 나타나는 높은 다양성 문제를 해결하기 위해.
• 딥 러닝과 전역적으로 최적의 정규화 기법을 융합하여 의미적 분할 성능을 향상시키기 위해.
• 딥 러닝 프레임워크 내에서 다중 분류 접근 방식을 통해 양성 및 악성 조직을 정확히 구별할 수 있도록 하기 위해.
• 접촉하거나 겹치는 샘을 구분하기 위해 전용 분리 네트워크를 학습하고 적용하여 샘 분할을 정교화하기 위해.

제안 방법

• 사전 처리 단계에서는 H&E 염색 이미지의 색소 분리 기법을 적용하여 헤마토이신 성분을 분리하고 조직 구조를 향상시키며, 조명에 대한 강건성을 확보하기 위해 대비 제한 적응 히스토GRAM 균형화(CLAHE)를 수행한다.
• 두 개의 딥 컨volution 신경망을 훈련한다: Object-Net은 픽셀을 샘 또는 배경으로 분류하고, Separator-Net은 접촉한 샘을 분리하는 데 필요한 구조를 식별한다.
• 분류기 출력을 융합하고, 가중치가 부여된 총변화 기반의 볼록 지오데식 활성 윤곽 형식을 사용하여 정규화함으로써, 윤곽 길이를 최소화하여 전역적으로 최적의 도형-배경 분할을 달성한다.
• 이 방법은 네 클래스 픽셀 분류 설정을 사용하며, Object-Net의 출력은 배경, 양성 샘, 악성 샘, 분리 구조에 대한 확률을 제공한다.
• 최종 분할 결과는 정규화된 분류기 출력에서 유도되며, 총변화 최소화 과정을 통해 형태와 경계의 충실도가 향상된다.
• 조직 분류는 이미지 영역 전체에 걸쳐 픽셀별 확률을 집계하여 수행되며, 최종 레이블은 양성 또는 악성 조직에 대한 평균 최대 확률에 기반하여 할당된다.

실험 결과

연구 질문

• RQ1 표준 이미지 처리 기법과 비교해 볼 때, 이중 CNN 기반의 딥 러닝 접근 방식이 H&E 염색 조직병리학적 이미지에서 대장 샘의 의미적 분할 성능을 향상시킬 수 있는가?
• RQ2 전용 분리 네트워크의 통합이 겹치거나 접촉한 샘을 해결하는 데 얼마나 효과적인가?
• RQ3 총변화 정규화가 샘 분할의 정확도와 경계 정밀도를 얼마나 향상시키는가?
• RQ4 모델이 동시에 높은 정확도를 갖는 샘 분할과 양성/악성 조직 분류를 달성할 수 있는가?

주요 결과

• 제안된 방법은 테스트 세트 A에서 98.33%, 테스트 세트 B에서 93.75%의 조직 분류 정확도를 달성하여, 양성 및 악성 조직을 효과적으로 구별하는 데 강력한 성능을 보였다.
• Separator-Net의 추가로 인해 F1 점수, Dice 계수, Hausdorff 거리 등 분할 지표가 크게 향상되었으며, 이는 겹치는 샘을 더 잘 처리했기 때문이다.
• 테스트 세트 A에서 양성 케이스의 평균 결정 신뢰도는 0.84(SD 0.13)였고, 테스트 세트 B에서는 0.74(SD 0.11)였으며, 이는 모델의 신뢰도가 높음을 시사한다.
• 테스트 세트 A에서 악성 케이스의 평균 결정 신뢰도는 0.81(SD 0.11)였고, 테스트 세트 B에서는 0.86(SD 0.15)였으며, 이는 테스트 세트 간 일관된 성능을 보였음을 나타낸다.
• 정성적 결과에서는 복잡한 영역에서 겹치거나 비정상적인 형태의 샘을 효과적으로 분할했으며, 도전적인 케이스에서도 부정확한 결과가 거의 없었다.
• 총변화 정규화 단계는 윤곽 길이를 최소화하면서도 물체 경계를 유지함으로써 전역적으로 최적의 분할을 성공적으로 생성하였으며, 형태의 충실도가 향상되었다.