[논문 리뷰] Synthetic Augmentation and Feature-based Filtering for Improved Cervical Histopathology Image Classification

Yuan Xue, Qianying Zhou외 6명|arXiv (Cornell University)|2019. 07. 24.

AI in cancer detection참고 문헌 15인용 수 6

한 줄 요약

이 논문은 자궁경부 조직병리학 영상 분류 성능을 햖थ기 위해 특징 공간 필터링을 통한 조건부 GAN 기반 데이터 증강 프레임워크를 제안한다. 합성 상피 병변을 생성하고, 클래스 중심점과의 특징 거리 기반으로 이를 필터링함으로써 ResNet18의 정확도를 66.3%에서 71.7%로 향상시켰다. 이는 의료 영상 증강에서 특징의 품질이 시각적 현실성보다 더 중요하다는 것을 보여준다.

ABSTRACT

Cervical intraepithelial neoplasia (CIN) grade of histopathology images is a crucial indicator in cervical biopsy results. Accurate CIN grading of epithelium regions helps pathologists with precancerous lesion diagnosis and treatment planning. Although an automated CIN grading system has been desired, supervised training of such a system would require a large amount of expert annotations, which are expensive and time-consuming to collect. In this paper, we investigate the CIN grade classification problem on segmented epithelium patches. We propose to use conditional Generative Adversarial Networks (cGANs) to expand the limited training dataset, by synthesizing realistic cervical histopathology images. While the synthetic images are visually appealing, they are not guaranteed to contain meaningful features for data augmentation. To tackle this issue, we propose a synthetic-image filtering mechanism based on the divergence in feature space between generated images and class centroids in order to control the feature quality of selected synthetic images for data augmentation. Our models are evaluated on a cervical histopathology image dataset with a limited number of patch-level CIN grade annotations. Extensive experimental results show a significant improvement of classification accuracy from 66.3% to 71.7% using the same ResNet18 baseline classifier after leveraging our cGAN generated images with feature-based filtering, which demonstrates the effectiveness of our models.

연구 동기 및 목표

• 강건한 분류기 학습을 위한 제한된 표본이 있는 자궁경부 조직병리학 영상 문제를 해결한다.
• 시각적 현실성은 높지만 특징 품질이 변동성이 큰 GAN 생성 영상의 한계를 극복한다.
• 합성 영상이 데이터 증강에 의미 있는 특징을 기여하도록 필터링 기법을 개발한다.
• 최소한의 실제 레이블을 사용하여 4단계 CIN 등급 분류 작업에서 분류 성능을 향상시킨다.
• 특징 기반 필터링이 기존 또는 비필터링된 합성 데이터에 비해 GAN 증강 성능을 향상시킨다는 것을 입증한다.

제안 방법

• 실제 데이터를 기반으로 조건부 GAN(cGAN)을 학습하고 보조 분류기(AC)를 사용해 현실적인 합성 자궁경부 상피 병변을 생성한다.
• 생성된 영상 간의 다양성을 향상시키기 위해 미니배치 식별 기법을 통합한다.
• 실제 학습 데이터를 기반으로 사전 학습된 ResNet18 특징 추출기를 사용하여 임bedding 공간 내에서 클래스별 특징 중심점을 계산한다.
• 특징 공간에서 해당 클래스 중심점과 가장 가까운 영상만 선택하여 합성 영상의 특징 품질을 확보한다.
• 통제된 비율 R(예: 0.5 또는 2.0)로 원본 학습 세트에 필터링된 합성 영상을 추가하여 클래스 균형을 유지한다.
• 결합된 실제 및 필터링된 합성 데이터 세트를 기반으로 다시 ResNet18 분류기를 학습하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 cGAN 기반 데이터 증강이 제한된 자궁경부 조직병리학 영상 패치 데이터에서 분류 정확도를 향상시킬 수 있는가?
• RQ2 클래스 중심점과의 특징 공간 거리 기반으로 합성 영상을 필터링할 경우, 비필터링 또는 전통적 증강 기법에 비해 모델 성능 향상이 이루어지는가?
• RQ3 다양한 합성 영상 대 실제 영상 비율에 따라 증강 모델의 성능은 어떻게 변하는가?
• RQ4 특징 기반 필터링 기법이 여러 실행에 걸쳐 생성된 영상의 품질을 안정화하고 향상시키는 데 효과적인가?
• RQ5 제안된 방법이 기준 모델 및 전통적 데이터 증강 기법보다 CIN 분류 작업에서 더 우수한 성능을 내는가?

주요 결과

• 특징 기반 필터링을 적용한 제안된 방법은 분류 정확도 71.7%를 달성하여 기준 ResNet18 모델의 66.3%보다 유의미하게 향상되었다.
• 증강 비율 R=2인 특징 필터링 cGAN 모델이 가장 높은 정확도(71.7%)와 AUC(0.811)를 기록하여 모든 기준 모델 및 비필터링 변종을 압도했다.
• 필터링을 적용한 모델는 실행 간 일관된 성능을 보였으며, 표준편차가 0.008로 낮아 합성 영상의 특징 품질이 안정적이고 신뢰할 수 있음을 시사했다.
• 높은 증강 비율(R=2)에서도 필터링된 모델는 강력한 성능을 유지했지만, 비필터링 cGAN의 경우 R=2일 때 정확도가 66.0%로 떨어져 기준 모델보다 열 劣했다.
• 필터링을 통해 민감도는 61.1%로 상승(기준 55.3%)하여 비정상 CIN 클래스의 탐지 능력 향상을 보였다.
• 특이도는 필터링 시 88.6%로 유지되어 민감도 향상에도 불구하고 거짓 양성 결과는 최소한으로 유지되었다.