[논문 리뷰] A Comprehensive Review of Computer-aided Whole-slide Image Analysis: from Datasets to Feature Extraction, Segmentation, Classification, and Detection Approaches

Chen Li, Xintong Li외 9명|arXiv (Cornell University)|2021. 02. 21.

AI in cancer detection인용 수 10

한 줄 요약

이 종합적 리뷰는 디지털 병리학에서 웨이브슬라이드 이미지(WSI) 분석을 위한 최신 기계학습 기법을 종합적으로 다루며, 데이터셋, 특징 추출, 세분화, 분류, 탐지 등을 포함한다. 딥러닝—특히 세분화에 대한 U-Net과 분류에 대한 CNNs—가 전통적 방법에 비해 지배적임을 강조하며, 제한된 레이블이 부여된 데이터셋과 효율적이고 해석 가능한 모델의 필요성과 같은 주요 과제를 밝혀낸다.

ABSTRACT

With the development of computer-aided diagnosis (CAD) and image scanning technology, Whole-slide Image (WSI) scanners are widely used in the field of pathological diagnosis. Therefore, WSI analysis has become the key to modern digital pathology. Since 2004, WSI has been used more and more in CAD. Since machine vision methods are usually based on semi-automatic or fully automatic computers, they are highly efficient and labor-saving. The combination of WSI and CAD technologies for segmentation, classification, and detection helps histopathologists obtain more stable and quantitative analysis results, save labor costs and improve diagnosis objectivity. This paper reviews the methods of WSI analysis based on machine learning. Firstly, the development status of WSI and CAD methods are introduced. Secondly, we discuss publicly available WSI datasets and evaluation metrics for segmentation, classification, and detection tasks. Then, the latest development of machine learning in WSI segmentation, classification, and detection are reviewed continuously. Finally, the existing methods are studied, the applicabilities of the analysis methods are analyzed, and the application prospects of the analysis methods in this field are forecasted.

연구 동기 및 목표

• 디지털 병리학에서 컴퓨터 지원 웨이브슬라이드 이미지(WSI) 분석 기법에 대한 체계적인 리뷰를 제공하기 위해.
• 세분화, 분류 및 탐지 작업을 위한 공개된 WSI 데이터셋과 표준 평가 지표를 분석하기 위해.
• 특히 딥러닝을 포함한 기계학습 기법의 진화와 성능을 WSI 분석 작업 전반에 걸쳐 평가하기 위해.
• 현재 접근 방식의 한계를 특정화하기 위해, 대규모 레이블이 부여된 데이터셋 부족과 모델의 해석 가능성 부족과 같은 문제를 지적하기 위해.
• 향후 연구 방향을 예측하기 위해, 임상 적용을 위한 효율적이고 설명 가능한 딥러닝 모델을 포함한 방향을 제시하기 위해.

제안 방법

• TCGA와 Camelyon1-HE를 포함한 공개된 WSI 데이터셋을 조사하고 분류하며, 레이블 품질과 작업별 활용성에 중점을 두었다.
• 수작업 특징(색상, 텍스처, 형태)과 사전 학습된 CNN에서 유도된 딥러닝 기반 특징을 포함한 특징 추출 기법을 검토했다.
• 세분화 방법을 분석하며, 임계값 설정, 영역 기반, 그래프 기반, 군집화 및 딥러닝 접근 방식을 구분하였으며, U-Net이 주요 아키텍처로 부각됨을 확인했다.
• 분류 기법을 평가하며 앙상블 학습, 다중 인스턴스 학습(MIL) 및 컬러레이션 신경망(CNN)에 중점을 두었으며, 특히 종양 탐지에 초점을 맞췄다.
• 객체 탐지 방법을 조사하며, Mask R-CNN, YOLO 및 컨텍스트 인식 네트워크를 WSI에 적용하여 병리학적 구조를 식별하는 데 사용한 사례를 분석했다.
• Dice 점수, AUC, 정밀도, 재현율 및 F1 점수와 같은 성능 지표를 다양한 작업에 적용하여 평가 기준의 표준화를 강조했다.

Figure 1: The workflow of the proposed whole-slide imaging. (1) is the glass slide Amin-2008-AWSI . (2) whole mount glass slides. (3) whole slide imaging scanner. (4) digital whole image Farahani-2015-WSIP .

실험 결과

연구 질문

• RQ1 현재 연구에서 가장 널리 사용되는 WSI 데이터셋은 무엇이며, 그 레이블은 어떤 분석 작업을 지원하는가?
• RQ2 WSI 분석에서 수작업 특징에서 딥러닝 기반 표현으로의 특징 추출 기법의 진화 과정은 어떠한가?
• RQ3 클래식한 방법에 비해 U-Net 및 기타 딥러닝 모델이 WSI 세분화에서 가지는 주요 이점과 한계는 무엇인가?
• RQ4 앙상블 학습과 MIL은 WSI 기반 진단에서 분류 성능를 어떻게 향상시키는가?
• RQ5 고해상도 WSI에서 병리학적 객체를 식별하기 위한 가장 유망한 탐지 프레임워크는 무엇이며, 척도와 맥락을 어떻게 다루는가?

주요 결과

• 딥러닝 모델, 특히 U-Net은 뛰어난 성능과 노이즈에 대한 강건성 덕분에 WSI 세분화의 표준이 되었다.
• TCGA와 Camelyon1-HE는 WSI 연구에서 가장 자주 사용되는 데이터셋이며, Camelyon1-HE는 유방암 탐지의 기준 데이터셋으로 기능한다.
• CNN 기반 모델은 전통적인 기계학습 방법보다 분류 및 탐지 작업에서 뛰어난 성능을 보이며, 표준 벤치마크에서 높은 AUC 및 F1 점수를 기록한다.
• 특징 추출은 색상 및 텍스처 기반 기술에서 계층적 딥 페처로 진화하여 후속 작업의 정확도를 크게 향상시켰다.
• 진전이 있었음에도 불구하고, 현재의 방법들은 데이터셋 편향에 민감하고 해석이 어려운 경향이 있어 임상 환경에서 설명 가능한 AI의 필요성을 부각시킨다.
• 세분화된 맥락과 다중 척도 특징 학습을 통합한 특징 가이드 네트워크와 같은 접근 방식은 복잡한 조직학적 환경에서 탐지 성능을 향상시킨다.

Figure 2: The development trend of computer-aided viewing of WSIs. The horizontal direction shows the time. The vertical direction shows the cumulative number of related works in each year.