[논문 리뷰] What Can Machine Vision Do for Lymphatic Histopathology Image Analysis: A Comprehensive Review

Xiaoqi Li, Haoyuan Chen외 7명|arXiv (Cornell University)|2022. 01. 21.

AI in cancer detection인용 수 4

한 줄 요약

이 종합적 리뷰는 지난 10년간 림프atic 조직병리학 영상 분석을 위한 기계시각 기술을 평가하며, 딥러닝을 활용한 세분화, 분류 및 탐지 기법에 중점을 둡니다. U-Net이 주로 사용되는 세분화 방법으로 뚜렷하게 부각되었고, 딥러닝 특징이 전통적인 수작업 특징보다 뛰어나 90.35%까지의 정확도를 기록하여 복소성 림프종 영상에서 림프구를 분류하는 데 성공했습니다.

ABSTRACT

In the past ten years, the computing power of machine vision (MV) has been continuously improved, and image analysis algorithms have developed rapidly. At the same time, histopathological slices can be stored as digital images. Therefore, MV algorithms can provide doctors with diagnostic references. In particular, the continuous improvement of deep learning algorithms has further improved the accuracy of MV in disease detection and diagnosis. This paper reviews the applications of image processing technology based on MV in lymphoma histopathological images in recent years, including segmentation, classification and detection. Finally, the current methods are analyzed, some more potential methods are proposed, and further prospects are made.

연구 동기 및 목표

• 지난 10년간 림프atic 조직병리학 영상 분석 분야에서의 기계시각 응용을 체계적으로 검토하기 위해.
• 림프종 진단에서 영상 전처리, 세분화, 특징 추출, 분류 및 탐지 방법의 발전을 분석하기 위해.
• 현재 접근법의 한계를 규명하고 해석 가능하고 효율적이며 정확한 딥러닝 기반 시스템을 위한 향후 방향을 제안하기 위해.
• Camelyon 및 IICBU-2008와 같은 벤치마크 데이터셋을 사용하여 최신 기법의 성능을 평가하기 위해.
• 림프종 진단에서 병리의사가 컴퓨터 지원 진단을 통해 보다 효과적으로 지원받을 수 있도록 기계시각의 임상 잠재력을 평가하기 위해.

제안 방법

• 2010년에서 2022년 사이의 림프atic 조직병리학에서의 기계시각 관련 100편 이상의 연구를 검토하여 영상 전처리, 세분화, 특징 추출, 분류 및 탐지에 중점을 두었습니다.
• 특히 림프절 및 림프구 영역 탐지에 있어 영상 세분화의 주요 딥러닝 아키텍처로 U-Net을 사용했습니다.
• 비지도 세분화를 위해 k-means 군집화와 색상-텍스처 특징 추출(색상 공간 변환 및 공통행렬을 통한)을 적용했습니다.
• 세포핵 탐지를 위해 Hough 변환과 강도 임계값 설정을 활용한 후 신경-퍼지 분류기를 사용하여 중심세포(centroblasts, CBs)와 비-CBs를 구분했습니다.
• 분류 작업에서 딥러닝 특징(CNN 기반 등)과 전통적인 수작업 특징(색상, 텍스처, 형상)을 비교 분석했습니다.
• Camelyon 및 IICBU-2008와 같은 데이터셋을 사용하여 세분화 정확도(예: 83.09 ± 6.25%) 및 분류 F1 점수와 같은 표준 지표로 방법의 성능을 평가했습니다.

실험 결과

연구 질문

• RQ1 2010년 이후 림프atic 조직병리학 영상 분석에서 기계시각 기술은 어떻게 발전해왔나요?
• RQ2 림프종 조직 영상에 가장 효과적인 영상 전처리, 세분화 및 특징 추출 방법은 무엇인가요?
• RQ3 딥러닝 기반 특징이 림프종 아형 분류에서 전통적인 수작업 특징보다 얼마나 뛰어나게 성능을 냅니다?
• RQ4 현재의 방법들은 림프구 및 중심세포와 같은 주요 조직학적 구조를 탐지하고 분류하는 데 얼마나 정확한가요?
• RQ5 림프종 진단에서 임상적으로 활용 가능한, 해석 가능하고 효율적이며 정확한 기계시각 시스템 개발을 위한 주요 과제와 향후 방향은 무엇인가요?

주요 결과

• U-Net은 림프atic 조직병리학에서 영상 세분화의 주요 딥러닝 아키텍처로 자리매김하였으며, 전통적 군집화 방법보다 정확도를 크게 향상시켰습니다.
• 딥러닝 특징는 복잡한 림프종 아형에서 분류 및 탐지 작업에서 수작업 특징(색상, 텍스처, 형상 등)을 일관되게 능가했습니다.
• 신경-퍼지 분류기는 복소성 림프종에서 중심세포(CBs) 탐지 정확도 90.35%를 기록하여 SVM, Adaboost, 신경망 및 결정 트리보다 뛰어났습니다.
• k-means와 색상-텍스처 특징를 활용한 세분화는 IHC 염색 영상에서 평균 정확도 83.09 ± 6.25%를 달성하여 림프구 영역 탐지에서 뛰어난 안정성을 입증했습니다.
• Camelyon 및 IICBU-2008 데이터셋은 림프종 영상 분석 시스템 평가에 널리 사용되는 기준 데이터셋으로, 재현 가능한 성능 비교를 가능하게 했습니다.
• 진전에도 불구하고, 특히 코로나19 이후 의료 AI 수요가 급증한 상황에서, 설명 가능성, 계산 효율성 및 임상 현장 적용의 어려움 등 여전히 도전 과제가 남아 있습니다.