[논문 리뷰] Stain Normalized Breast Histopathology Image Recognition using Convolutional Neural Networks for Cancer Detection

Sruthi Krishna Kunji Purayil, Suganthi S. S외 2명|arXiv (Cornell University)|2022. 01. 04.

AI in cancer detection인용 수 8

한 줄 요약

이 논문은 유방 조직병리학 영상 분류를 위한 염색 정규화 기반 컨볼루션 신경망(CNN) 프레임워크를 제안하여 암 검출 정확도를 향상시키고자 한다. BreaKHis 데이터셋에서 적응형 색소 분해(adaptive color deconvolution)를 적용하여 염색 정규화를 수행하고, VGG16, MobileNet, EfficientNet 등의 경량 CNN 아키텍처를 미세조정(fine-tuning)함으로써 저자들은 염색 정규화가 성능을 크게 향상시킨다는 것을 입증한다. 특히 EfficientNet은 높은 테스트 정확도와 F1 스코어를 기록하며 낮은 추론 시간을 유지한다.

ABSTRACT

Computer assisted diagnosis in digital pathology is becoming ubiquitous as it can provide more efficient and objective healthcare diagnostics. Recent advances have shown that the convolutional Neural Network (CNN) architectures, a well-established deep learning paradigm, can be used to design a Computer Aided Diagnostic (CAD) System for breast cancer detection. However, the challenges due to stain variability and the effect of stain normalization with such deep learning frameworks are yet to be well explored. Moreover, performance analysis with arguably more efficient network models, which may be important for high throughput screening, is also not well explored.To address this challenge, we consider some contemporary CNN models for binary classification of breast histopathology images that involves (1) the data preprocessing with stain normalized images using an adaptive colour deconvolution (ACD) based color normalization algorithm to handle the stain variabilities; and (2) applying transfer learning based training of some arguably more efficient CNN models, namely Visual Geometry Group Network (VGG16), MobileNet and EfficientNet. We have validated the trained CNN networks on a publicly available BreaKHis dataset, for 200x and 400x magnified histopathology images. The experimental analysis shows that pretrained networks in most cases yield better quality results on data augmented breast histopathology images with stain normalization, than the case without stain normalization. Further, we evaluated the performance and efficiency of popular lightweight networks using stain normalized images and found that EfficientNet outperforms VGG16 and MobileNet in terms of test accuracy and F1 Score. We observed that efficiency in terms of test time is better in EfficientNet than other networks; VGG Net, MobileNet, without much drop in the classification accuracy.

연구 동기 및 목표

• 디지털 유방 조직병리학 영상에서의 염색 변동성 문제로 인한 일관된 딥 러닝 기반 진단의 어려움을 해결하고자 한다.
• 적응형 색소 분해(ACD)를 활용한 염색 정규화가 양성 및 악성 조직에 대한 이진 분류를 위한 CNN 성능에 미치는 영향을 평가하고자 한다.
• 염색 정규화된 조직병리학 데이터에 대해 경량 CNN 모델인 VGG16, MobileNet, EfficientNet의 분류 정확도, F1 스코어, 추론 효율성을 비교하고자 한다.
• 200x 및 400x 배율에서 BreaKHis 데이터셋을 활용한 사전 학습 모델을 이용한 전이 학습의 효과를 검증하고자 한다.

제안 방법

• 전체 슬라이드 영상 간의 염색 변동성을 줄이기 위해 적응형 색소 분해(ACD)를 적용하여 염색 정규화를 수행하였다.
• 200x 및 400x 배율에서 BreaKHis 데이터셋의 조직병리학 영상에 ACD 기반 염색 정규화를 수행하였다.
• 정규화된 데이터셋을 기반으로 사전 학습된 세 가지 CNN 아키텍처(VGG16, MobileNet, EfficientNet)를 전이 학습을 통해 미세조정(fine-tuned)하였다.
• 일반화 및 강인성을 향상시키기 위해 데이터 증강을 적용하여 모델을 훈련시켰다.
• 표준 평가 지표인 테스트 정확도, F1 스코어, 추론 시간을 사용하여 성능을 평가하였다.
• 염색 정규화된 데이터와 비정규화된 데이터 간의 성능을 비교하여 정규화의 영향을 분석하였다.

실험 결과

연구 질문

• RQ1 적응형 색소 분해(ACD)를 활용한 염색 정규화는 조직병리학 영상에서 CNN 기반 유방암 분류 모델의 성능을 향상시키는가?
• RQ2 염색 정규화된 조직병리학 영상에 적용했을 때, 경량 CNN 모델(VGG16, MobileNet, EfficientNet)은 정확도, F1 스코어, 추론 효율성 측면에서 어떻게 비교되는가?
• RQ3 전이 학습 환경에서 염색 정규화된 데이터를 사용할 경우, 원본 비정규화된 데이터 대비 분류 성능 향상이 유의미한가?
• RQ4 염색 정규화된 유방 조직병리학 영상에서 분류 정확도와 추론 속도 사이의 최적의 트레이드오프를 달성하는 CNN 아키텍처는 무엇인가?

주요 결과

• 적응형 색소 분해(ACD)를 활용한 염색 정규화는 비정규화된 데이터 대비 모든 평가된 CNN 모델에서 분류 성능을 유의미하게 향상시켰다.
• EfficientNet은 평가된 세 모델 중에서 가장 높은 테스트 정확도와 F1 스코어를 기록하여 VGG16과 MobileNet을 모두 앞섰다.
• EfficientNet는 우수한 정확도를 유지하면서도 빠른 추론 시간을 기록하여 추론 효율성이 뛰어났다.
• 염색 정규화의 성능 향상 효과는 BreaKHis 데이터셋의 200x 및 400x 배율 수준에서 일관되게 나타났다.
• 사전 학습 모델을 활용한 전이 학습은 데이터 증강 및 염색 정규화된 영상에서 비정규화된 영상보다 더 우수한 성능을 달성했다.
• MobileNet은 경량 모델 중에서 속도와 정확도의 균형을 가장 잘 유지했지만, 전체 성능에서는 EfficientNet에 뒤졌다.