[논문 리뷰] WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma

Chu Han, Xipeng Pan외 41명|arXiv (Cornell University)|2022. 04. 13.

AI in cancer detection인용 수 27

한 줄 요약

본 논문은 LUAD의 불강도 지도학적 분할을 위한 약 지도 학습 강력한 도전 과제와 데이터 세트를 제시하며, 패치 수준 라벨을 이용해 픽셀 수준의 조직 맵을 추론하고 탑 팀들의 최첨단 결과를 보여준다.

ABSTRACT

Lung cancer is the leading cause of cancer death worldwide, and adenocarcinoma (LUAD) is the most common subtype. Exploiting the potential value of the histopathology images can promote precision medicine in oncology. Tissue segmentation is the basic upstream task of histopathology image analysis. Existing deep learning models have achieved superior segmentation performance but require sufficient pixel-level annotations, which is time-consuming and expensive. To enrich the label resources of LUAD and to alleviate the annotation efforts, we organize this challenge WSSS4LUAD to call for the outstanding weakly-supervised semantic segmentation (WSSS) techniques for histopathology images of LUAD. Participants have to design the algorithm to segment tumor epithelial, tumor-associated stroma and normal tissue with only patch-level labels. This challenge includes 10,091 patch-level annotations (the training set) and over 130 million labeled pixels (the validation and test sets), from 87 WSIs (67 from GDPH, 20 from TCGA). All the labels were generated by a pathologist-in-the-loop pipeline with the help of AI models and checked by the label review board. Among 532 registrations, 28 teams submitted the results in the test phase with over 1,000 submissions. Finally, the first place team achieved mIoU of 0.8413 (tumor: 0.8389, stroma: 0.7931, normal: 0.8919). According to the technical reports of the top-tier teams, CAM is still the most popular approach in WSSS. Cutmix data augmentation has been widely adopted to generate more reliable samples. With the success of this challenge, we believe that WSSS approaches with patch-level annotations can be a complement to the traditional pixel annotations while reducing the annotation efforts. The entire dataset has been released to encourage more researches on computational pathology in LUAD and more novel WSSS techniques.

연구 동기 및 목표

• LUAD 조직병리학에 대한 공공 라벨링 자원을 확충하여 주석 부담을 줄인다.
• WSIs에서 패치 수준 라벨로 약 지도 의미 분할 기술을 촉진한다.
• LUAD에서 조잡한 주석으로부터 픽셀 수준 조직 맵을 생성하는 전략을 개발하고 평가한다.

제안 방법

• 패치 수준 라벨을 사용하여 세 가지 조직 클래스를 분할하는 WSSS 대회를 조직한다: 종양 상피, 종양 관련 기질, 정상 조직.
• 패스롤로지스트-인-더-루프 라벨링 워크플로우를 채택하여 패치 수준 및 픽셀 수준 주석을 생성한다.
• CAM 기반의 약 지도 학습과 MLPS 기반의 약 지도 분할 접근 방식을 사용하여 의사 마스크를 생성한다.
• 학습 신호를 확장하기 위해 데이터 증강 및 이미지 스플라이싱을 도입한다.
• GDPH 및 TCGA WSIs에서 백색 배경 제외한 mIoU로 평가한다.

실험 결과

연구 질문

• RQ1 패치 수준 라벨을 LUAD에서 정확한 픽셀 수준 조직 분할 맵으로 효과적으로 변환할 수 있는가?
• RQ2 LUAD 조직 분할을 위한 최상의 약 지도 전략(CAM, 의사 마스크, 데이터 증강)은 무엇인가?
• RQ3 패스롤로지스트-인-더-루프 라벨링 과정이 주석 효율성과 분할 성능에 어떤 영향을 미치는가?
• RQ4 약 지도하에서 LUAD 조직 클래스(종양, 기질, 정상) 간 성능 차이는 어느 정도인가?

주요 결과

• 최상위 팀의 mIoU는 0.8413(종양 0.8389, 기질 0.7931, 정상 0.8919)이다.
• CAM 기반 접근 방식은 이 작업에서 WSSS에 여전히 인기가 있으며, 상위 팀들이 점진적 드롭아웃과 다중 계층 의사 지도화를 사용했다.
• CutMix와 이미지 스플라이싱과 같은 데이터 증강 기술이 더 안정적인 픽셀 수준 감독을 생성하는 데 널리 채택되었다.
• 패스롤로지스트-인-더-루프 워크플로우는 선택적 검증 및 중첩 검사로 품질을 유지하면서 라벨링 속도를 높인다.
• 데이터세트는 GDPH 및 TCGA의 87개 WSIs에 걸쳐 훈련 패치 10,091개와 검증+테스트에서 1억 3천만 개가 넘는 라벨 픽셀을 포함한다.