[논문 리뷰] Unsupervised Prostate Cancer Detection on H&E using Convolutional Adversarial Autoencoders

Wouter Bulten, Geert Litjens|arXiv (Cornell University)|2018. 04. 11.

Prostate Cancer Diagnosis and Treatment참고 문헌 1인용 수 19

한 줄 요약

이 논문은 레이블이 없는 훈련 데이터를 사용하여 H&E 염색 전면 슬라이드 이미지에서 전립선암을 감지하는 클러스터링 적대적 autoencoder (CAAE)를 제안한다. 항체 기반 특징 학습을 유도하기 위해 IHC를 복원 타겟으로 사용함으로써, 모델은 분류 가능한 조직 표현을 학습하고, 비지도 학습에서 종양 대 비종양 분류에 F1 점수 0.62를 달 đạt한다. 추가 검증 레이블을 사용할 경우 성능이 향상된다.

ABSTRACT

We propose an unsupervised method using self-clustering convolutional adversarial autoencoders to classify prostate tissue as tumor or non-tumor without any labeled training data. The clustering method is integrated into the training of the autoencoder and requires only little post-processing. Our network trains on hematoxylin and eosin (H&E) input patches and we tested two different reconstruction targets, H&E and immunohistochemistry (IHC). We show that antibody-driven feature learning using IHC helps the network to learn relevant features for the clustering task. Our network achieves a F1 score of 0.62 using only a small set of validation labels to assign classes to clusters.

연구 동기 및 목표

• 레이블이 없는 훈련 데이터에 의존하지 않는 비지도 딥 러닝 방법을 개발하여 전립선암을 감지하는 것.
• 항체 기반 특징 학습을 위한 복원 타겟으로 면역형광염색(IHC)을 사용하여 H&E 이미지에서의 특징 학습을 향상시키는 것.
• 클러스터링을 autoencoder 훈련 과정에 직접 통합하여 k-means나 t-SNE와 같은 후처리 단계를 제거하는 것.
• H&E에서 IHC로의 복원(교차 도메인 복원)이 종양과 비종양 조직을 구분하는 데 네트워크의 능력을 향상시키는지 평가하는 것.
• 이질적이고 노이즈가 많은 병리학 데이터셋에서 비지도 표현 학습이 의미 있는 분류 성능를 달성할 수 있는지 보여주는 것.

제안 방법

• 모델은 두 개의 잠재 벡터를 사용하는 클러스터링 적대적 autoencoder(CAAE)로 구성된다: 클러스터 벡터 y(크기 50)는 디세리미네이터에 의해 일항 분포를 따르도록 정규화되고, 스타일 벡터 z(크기 20)는 정규분포를 따른다.
• 네트워크는 세 단계로 훈련된다: autoencoder 복원 손실, y와 z에 대한 디세리미네이터 정규화, 잠재 공간을 목표 분포와 일치시키기 위한 적대적 훈련.
• 복원 타겟은 원본 H&E 패치(H&E → H&E) 또는 해당 IHC 패치(H&E → IHC)이며, 후자는 네트워크가 생물학적으로 관련 있는 특징을 학습하도록 유도한다.
• 에코더는 더 큰 조직 영역에 대해 슬라이딩 윈도우 방식으로 적용되어 픽셀 단위의 클러스터 할당을 생성하고, 이를 클래스 빈도 오버레이 형태로 시각화한다.
• 학습된 클러스터를 생물학적 클래스에 매핑하기 위해 각 클래스(스트로마, 양성 상피, 종양)당 200개의 레이블이 부여된 패치를 소량 사용한다.
• 모델은 이중 디세리미네이터 설정을 활용한다: 하나는 클러스터 벡터 y용, 다른 하나는 스타일 벡터 z용으로, 분리되고 의미 있는 잠재 표현을 보장한다.

실험 결과

연구 질문

• RQ1 IHC를 복원 타겟으로 사용한 비지도 표현 학습이 H&E 이미지에서 전립선암 감지의 특징 학습을 향상시키는가?
• RQ2 클러스터링을 autoencoder 훈련 과정에 직접 통합함으로써 k-means나 t-SNE와 같은 후처리 클러스터링 알고리즘의 필요성을 제거할 수 있는가?
• RQ3 H&E → IHC 복원의 성능은 H&E → H&E 복원과 비교해 종양/비종양 분류 F1 점수에서 어떻게 다를까?
• RQ4 소량의 레이블이 부여된 검증 패치를 얼마나 잘 활용하여 학습된 클러스터를 생물학적으로 의미 있는 조직 유형에 매핑할 수 있는가?
• RQ5 레이블이 전혀 없는 조건에서 이질적이고 노이즈가 많은 병리학 데이터셋에서 모델이 분류 가능한 특징을 학습할 수 있는가?

주요 결과

• H&E에서 IHC를 복원하도록 훈련된 CAAE는 종양과 비종양 조직을 구분하는 데 F1 점수 0.62를 달성했으며, H&E → H&E 기준선(F1 = 0.52)보다 유의미하게 뛰어났다.
• 가용한 모든 검증 레이블을 사용해 클러스터를 클래스에 매핑함으로써 F1 점수는 0.769로 상승했으며, 최소한의 감독 하에 매우 높은 잠재력을 보였다.
• 모델은 특정 클러스터를 특정 조직 유형과 연관지켰다: 클러스터 1과 2는 스트로마를 완벽하게 포괄했고, 클러스터 5는 종양 조직을 포괄했다.
• 일부 클러스터는 양성 상피와 종양의 혼합된 특징을 포착했으며, 이는 모델이 복잡한 형태학적 패턴을 식별하고 있음을 시사한다.
• t-SNE 시각화 결과, autoencoder가 학습한 잠재 공간이 분리 가능함을 확인했으며, 이는 네트워크가 의미 있고 분류 가능한 표현을 포착하고 있음을 뜻한다.
• IHC를 복원 타겟으로 사용함으로써 더 관련 있는 특징 학습이 이뤄졌으며, 이는 복원 난이도가 높아졌음에도 불구하고 클러스터링 성능 향상으로 뒷받침된다.