[논문 리뷰] Signet Ring Cell Detection With a Semi-supervised Learning Framework

Jiahui Li, Shuang Yang외 7명|arXiv (Cornell University)|2019. 07. 09.

AI in cancer detection참고 문헌 23인용 수 16

한 줄 요약

이 논문은 자가학습을 통해 노이즈가 있는 애너테이션을 정제하고, 공동학습을 통해 미약한 영역을 활용하는, 전체 슬라이드 이미지에서 신호 링 세포 검출을 위한 혁신적인 준지도 학습 프레임워크를 제안한다. 제한된 애너테이션을 가진 대규모 실재 임상 데이터셋에서 유의미한 성능 향상을 달성하였으며, 최대 0.18의 인스턴스 수준 FROC 향상으로 정확하고 임상적으로 적용 가능한 검출이 가능하다.

ABSTRACT

Signet ring cell carcinoma is a type of rare adenocarcinoma with poor prognosis. Early detection leads to huge improvement of patients' survival rate. However, pathologists can only visually detect signet ring cells under the microscope. This procedure is not only laborious but also prone to omission. An automatic and accurate signet ring cell detection solution is thus important but has not been investigated before. In this paper, we take the first step to present a semi-supervised learning framework for the signet ring cell detection problem. Self-training is proposed to deal with the challenge of incomplete annotations, and cooperative-training is adapted to explore the unlabeled regions. Combining the two techniques, our semi-supervised learning framework can make better use of both labeled and unlabeled data. Experiments on large real clinical data demonstrate the effectiveness of our design. Our framework achieves accurate signet ring cell detection and can be readily applied in the clinical trails. The dataset will be released soon to facilitate the development of the area.

연구 동기 및 목표

• 침습적 선암의 조기 진단에 필수적인, 병리학에서 자동화된 신호 링 세포 검출의 부족을 해결한다.
• 병리의사가 산재하거나 혼잡한 신호 링 세포를 놓치는 경우가 많은 임상 전체 슬라이드 이미지에서의 불완전하고 노이즈가 많은 애너테이션 문제를 해결한다.
• 제한된 레이블 데이터와 전체 슬라이드 이미지 내 풍부한 미레이블 영역을 효과적으로 활용하는 준지도 학습 프레임워크를 개발한다.
• 자기학습을 통해 애너테이션을 정제하고, 미레이블 영역 간의 공동학습을 통해 모델 일반화 능력을 향상시켜 검출 성능을 향상시킨다.
• 최소한의 애너테이션 비용으로 실제 다기관 WSI 데이터에서 강건한 성능을 보여 임상적 전환을 촉진한다.

제안 방법

• 초기 검출기 예측에서 고확률의 잘못된 음성(감지되지 않은 신호 링 세포)을 식별하고, 이를 개선된 양성 애너테이션으로 삼아 모델을 재학습하는 자가학습 전략을 제안한다.
• 다른 백본을 가진 두 개의 검출기가 서로의 고신뢰도 예측을 가짜 레이블로 사용하여, 미레이블 영역에서 상호로 감독하는 공동학습 전략을 구현한다.
• 자기학습과 공동학습을 반복적으로 적용하여, 다양한 WSI와 기관 간에 애너테이션 품질과 모델 일반화 능력을 점진적으로 향상시킨다.
• 10개 기관의 127개 H&E 염색 전체 슬라이드 이미지에서 12,381개의 신호 링 세포에 대해 타이트한 경계 상자(ground truth 애너테이션)를 사용하며, 각 WSI당 평균 2~3개의 영역만 애너테이션 처리하였다.
• 신호 링 세포의 형태학적 특징—중심에 위치한 세포질 점성 물질 덩이와 비대칭한 세포핵—을 검출의 핵심 시각적 단서로 활용한다.
• 불완전한 애너테이션 데이터에서의 성능 평가를 위해 집단 수준의 재현율, 인스턴스 수준의 재현율, 인스턴스 수준의 FROC를 포함한 새로운 평가 지표를 도입한다.

실험 결과

연구 질문

• RQ1 전체 슬라이드 이미지의 소수만 애너테이션 처리된 상황에서 준지도 학습 프레임워크가 신호 링 세포 검출 정확도를 효과적으로 향상시킬 수 있는가?
• RQ2 자기학습은 고신뢰도 예측을 활용해 노이즈가 많은 진짜 레이블을 정제함으로써 불완전한 애너테이션의 영향을 어떻게 완화하는가?
• RQ3 미레이블 영역 간의 공동학습이 다양한 기관과 WSI 특성 간의 모델 일반화 능력을 어느 정도 향상시키는가?
• RQ4 왜 자기학습은 특정 가짜 양성(예: 호산구, 플라즈마 세포)을 악화시키는 반면, 공동학습은 그렇지 않은가? 이는 모델의 강건성에 어떤 영향을 미치는가?
• RQ5 제안된 프레임워크는 최소한의 애너테이션 비용으로 실재 다기관 WSI 데이터에서 임상적으로 활용 가능한 검출 성능을 달성할 수 있는가?

주요 결과

• 자기학습은 완전히 지도 학습 기반 모델 대비 쉬운 모드에서 인스턴스 수준 FROC을 0.16, 어려운 모드에서 0.18 향상시켜 정제된 애너테이션으로 인한 유의미한 성능 향상을 입증했다.
• 공동학습은 쉬운 모드와 어려운 모드 간의 성능 격차를 좁혀, 쉬운 모드에서 0.07, 어려운 모드에서 0.14의 인스턴스 수준 FROC 향상을 달성했다.
• 어려운 모드에서 집단 수준 재현율은 0.827, 인스턴스 수준 재현율은 0.658을 기록하여 도전적인 조건에서도 강력한 검출 능력을 보였다.
• 추가로 사용된 미레이블 영역에서 자기학습은 정상 영역의 가짜 양성 수를 급격히 증가시켜(5.22), 노이즈가 많은 가짜 레이블로 인한 오류 확산을 보였다.
• 공동학습은 특정 가짜 양성(예: 호산구, 플라즈마 세포)을 확산시키지 않아, 자기학습 대비 더 높은 노이즈 가짜 레이블에 대한 강건성을 보였다.
• 모델은 시각화된 노란 다각형을 통해 신호 링 세포의 세포 가장자리를 성공적으로 포착했으며, 이는 향후 카이로플라즈믹 비율 계산 등의 후속 응용 가능성을 시사한다.