[논문 리뷰] A Deep Learning Study on Osteosarcoma Detection from Histological Images

DM Anisuzzaman, Hosein Barzekar외 3명|arXiv (Cornell University)|2020. 11. 02.

AI in cancer detection참고 문헌 22인용 수 6

한 줄 요약

이 연구는 전체 슬라이드 이미지(WSIs)에서 VGG19와 Inception V3를 사용한 전이 학습을 활용하는 딥러닝 프레임워크를 제안하여 조직학적 이미지에서 골절성 퇴행성 종양의 악성도를 탐지한다. 이는 이진 분류에서 96%의 정확도와 다중 분류에서 93.91%의 정확도를 기록하여 이전 방법들을 능가하고 공개된 골절성 퇴행성 종양 데이터셋에서 최신 기술 수준의 성능을 확립한다.

ABSTRACT

In the U.S, 5-10\% of new pediatric cases of cancer are primary bone tumors. The most common type of primary malignant bone tumor is osteosarcoma. The intention of the present work is to improve the detection and diagnosis of osteosarcoma using computer-aided detection (CAD) and diagnosis (CADx). Such tools as convolutional neural networks (CNNs) can significantly decrease the surgeon's workload and make a better prognosis of patient conditions. CNNs need to be trained on a large amount of data in order to achieve a more trustworthy performance. In this study, transfer learning techniques, pre-trained CNNs, are adapted to a public dataset on osteosarcoma histological images to detect necrotic images from non-necrotic and healthy tissues. First, the dataset was preprocessed, and different classifications are applied. Then, Transfer learning models including VGG19 and Inception V3 are used and trained on Whole Slide Images (WSI) with no patches, to improve the accuracy of the outputs. Finally, the models are applied to different classification problems, including binary and multi-class classifiers. Experimental results show that the accuracy of the VGG19 has the highest, 96\%, performance amongst all binary classes and multiclass classification. Our fine-tuned model demonstrates state-of-the-art performance on detecting malignancy of Osteosarcoma based on histologic images.

연구 동기 및 목표

• 딥러닝 기반의 컴퓨터 지원 진단(CADx)을 통해 조직학적 이미지에서 골절성 퇴행성 종양 탐지 정확도를 향상시키기 위해.
• 골절성 퇴행성 종양 조직학에서 훈련 데이터가 제한된 문제를 전이 학습과 사전 훈련된 모델을 활용하여 해결하기 위해.
• 패치 기반 처리 없이 전체 슬라이드 이미지(WSIs)에서 VGG19와 Inception V3의 성능을 평가하기 위해.
• 동일한 공개 데이터셋에서 제안된 모델의 성능을 기존 딥러닝 모델들과 비교하기 위해.
• 병리의사가 골절성 퇴행성 종양의 조기 징후를 탐지하는 데 도움이 되는 신뢰할 수 있는 자동화된 도구를 구축하기 위해.

제안 방법

• 공개된 골절성 퇴행성 종양 조직학적 이미지 데이터셋에서 훈련된 사전 훈련된 VGG19와 Inception V3 모델을 활용하였다.
• ImageNet에서 사전 훈련된 가중치로 모델을 초기화하고, 골절성 퇴행성 종양 데이터셋에서 완전히 연결된 계층과 출력 계층을 재학습하여 전이 학습을 적용하였다.
• 공간적 맥락을 유지하고 데이터 분할을 줄이기 위해 패치 추출 없이 전체 슬라이드 이미지(WSIs)를 직접 처리하였다.
• 비종양, 괴사성 종양, 생존 종양 조직을 구분하기 위해 이진 분류 및 다중 분류 작업을 수행하였다.
• 과적합을 줄이고 모델 일반화 능력을 향상시키기 위해 정규화 및 최적화 기법을 적용하였다.
• 정확도, F1-score를 사용하여 모델 성능을 평가하였으며, 동일한 데이터셋에서 이전 연구와의 비교를 수행하였다.

실험 결과

연구 질문

• RQ1 제한된 데이터로도 VGG19와 Inception V3와 같은 사전 훈련된 CNN을 사용한 전이 학습이 골절성 퇴행성 종양 조직학적 이미지 분류에서 높은 정확도를 달성할 수 있는가?
• RQ2 전체 슬라이드 이미지에서 VGG19의 성능은 괴사성 종양과 생존 종양 조직을 탐지하는 데 Inception V3보다 어떻게 다른가?
• RQ3 패치 기반 처리 대신 전체 슬라이드 이미지를 사용할 경우 골절성 퇴행성 종양 탐지에서 분류 정확도가 향상되는가?
• RQ4 제안된 딥러닝 프레임워크는 동일한 공개 골절성 퇴행성 종양 데이터셋에서 기존의 CNN 모델들을 능가할 수 있는가?
• RQ5 클래스 불균형은 특히 희귀 종양 유형에 대해 모델 성능에 어떤 영향을 미치는가?

주요 결과

• VGG19 모델은 이진 분류 작업에서 96%의 최고 정확도를 기록하여 Inception V3와 이전 딥러닝 모델들을 모두 능가하였다.
• 다중 분류에서 VGG19는 비종양, 괴사성 종양, 생존 종양 클래스 간 강력한 일반화 능력을 보이며 93.91%의 정확도를 달성하였다.
• 비종양 대비 괴사성 종양 이진 분류의 F1-score는 0.97에 도달하여 높은 정밀도와 재현율을 나타내었다.
• 이전 연구들, 특히 Arunachalam 등이 제안한 CNN 모델과 비교해 전체 정확도에서 2% 향상된 성능을 기록하였다.
• 비종양 분류의 정확도가 가장 높았으며 95.45%였는데, 이는 비종양 이미지가 536장으로 생존 및 괴사성 종양 이미지보다 많아 클래스 불균형 때문일 가능성이 높다.
• 본 연구는 골절성 퇴행성 종양 탐지에서 VGG19와 Inception V3를 직접 전체 슬라이드 이미지에 적용한 최초의 연구로, 분야에서 새로운 기준을 설정하였다.