[논문 리뷰] Sparse Autoencoder for Unsupervised Nucleus Detection and Representation in Histopathology Images

Le Hou, Vu Nguyen외 5명|arXiv (Cornell University)|2017. 04. 03.

AI in cancer detection참고 문헌 25인용 수 4

한 줄 요약

이 논문은 조직병리학 영상에서 완전히 비지도, 엔드 투 엔드로 세포핵 검출 및 표현 학습을 수행하는 새로운 희소 합성곱 오토에인코더(CAE)를 제안한다. 특징 맵 간 상호 희소성 조건을 도입함으로써, CAE는 동시에 세포핵을 검출하고 그들의 공간적 및 외관적 특징을 인코딩하며, 감독 학습 방법이 요구하는 레이블 데이터의 5%만으로도 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Histopathology images are crucial to the study of complex diseases such as cancer. The histologic characteristics of nuclei play a key role in disease diagnosis, prognosis and analysis. In this work, we propose a sparse Convolutional Autoencoder (CAE) for fully unsupervised, simultaneous nucleus detection and feature extraction in histopathology tissue images. Our CAE detects and encodes nuclei in image patches in tissue images into sparse feature maps that encode both the location and appearance of nuclei. Our CAE is the first unsupervised detection network for computer vision applications. The pretrained nucleus detection and feature extraction modules in our CAE can be fine-tuned for supervised learning in an end-to-end fashion. We evaluate our method on four datasets and reduce the errors of state-of-the-art methods up to 42%. We are able to achieve comparable performance with only 5% of the fully-supervised annotation cost.

연구 동기 및 목표

• 조직병리학 영상에서 세포핵 검출과 표현 학습을 동시에 수행하는 완전히 비지도 딥 러닝 방법을 개발하는 것.
• 약한 지도 학습 파ip라인에서 별도로 수작업으로 튜닝이 필요한 세포핵 검출 단계가 필요 없도록 하는 것.
• 비지도 사전학습을 통해 최종 분류 및 세그멘테이션 네트워크의 엔드 투 엔드 훈련을 가능하게 하는 것.
• 비지도 표현 학습을 활용하여 고비용 전문가 레이블 데이터에 대한 의존도를 크게 줄이는 것.
• 상호 희소성이 세포핵 분석 작업에서 높은 성능을 달성하는 데 필수적임을 입증하는 것.

제안 방법

• 이 방법은 입력 영상 패치를 배경과 전경으로 분해하는 희소 합성곱 오토에인코더(CAE)를 사용한다.
• 배경은 대규모 색상 및 질감 특징를 캡처하는 저해상도 특징 맵으로 재구성되며, 고주파 잔차는 전경으로서 세포핵을 포착한다.
• 전경 표현은 상호 희소성 조건을 통해 강제로 적용된다: 같은 공간 위치에서 모든 특징 맵의 뉴런이 동시에 활성화되는 것은 세포핵이 존재할 경우에만 허용된다.
• 오토에인코더가 오차 최소화를 통해 세포핵 검출을 암묵적으로 학습할 수 있도록 픽셀 단위 재구성 오차를 최소화함으로써 네트워크를 엔드 투 엔드로 훈련시킨다.
• 학습된 특징 맵은 세포핵의 위치와 외관을 모두 인코딩하며, 이는 분류 및 세그멘테이션 작업을 위한 후속 미세조정에 유용하다.
• 세부 공간 정보를 유지하기 위해 풀링 레이어를 제거하였으며, 특히 세포핵이 약 20×20 픽셀 크기이므로 이는 매우 중요하다.

실험 결과

연구 질문

• RQ1 인간이 레이블링한 바운딩 박스나 세그멘테이션 마스크 없이도 단일 비지도 딥 네트워크가 동시에 세포핵 검출과 특징 추출을 수행할 수 있는가?
• RQ2 표준 희소성 대비 특징 맵 간 상호 희소성을 강제로 적용할 경우 세포핵 검출 및 표현 학습 성능이 향상되는가?
• RQ3 이 CAE를 이용한 비지도 사전학습을 통해 분류 및 세그멘테이션과 같은 후속 지도 학습 작업의 레이블링 비용을 어느 정도 줄일 수 있는가?
• RQ4 성능 및 데이터 효율성 측면에서 제안된 방법은 최신 기술 수준의 지도 학습 및 준지도 학습 방법과 어떻게 비교되는가?
• RQ5 비지도 CAE는 세포핵 분석 작업에서 엔드 투 엔드 지도 학습을 위해 효과적으로 미세조정될 수 있는가?

주요 결과

• 제안된 상호 희소 CAE는 림프구가 풍부한 영역 분류 작업에서 최고 성능을 보인 베이스라인 SP-CNN 대비 42%의 오차 감소를 달성했다.
• 학습 데이터의 레이블이 5%에 불과한 상황에서도, 네 개의 데이터셋 중 두 개에서 완전히 지도 학습 기반의 베이스라인을 능가하여 높은 데이터 효율성을 입증했다.
• MICCAI 2015 세포핵 세그멘테이션 챌린지에서 DICE-평균 0.8362를 기록하여 챌린지 우승자(0.80)와 U-Net(0.7942)를 모두 앞섰다.
• 상호 희소성을 도입함으로써 최신 기술 수준의 비지도 베이스라인의 오차를 개별 림프구 분류 작업에서 25% 감소시켰으며, 이는 베이스라인이 별도의 특징 추출 및 분류 튜닝이 필요했음에도 불구하고 성능 향상을 이룬 것이다.
• 제거 실험 결과 상호 희소성이 필수적임을 확인: 이를 제거하면 성능이 크게 떨어지며, 이는 동시 검출 및 표현 학습에 있어 상호 희소성의 핵심적 역할을 뒷받침한다.
• 네트워크에서 풀링 레이어가 없어 중요한 공간 해상도를 유지하였으며, 이는 U-Net 대비 세포핵 세그멘테이션 성능 향상의 핵심 요인이다.