[논문 리뷰] Advanced Deep Convolutional Neural Network Approaches for Digital Pathology Image Analysis: a comprehensive evaluation with different use cases

Md Zahangir Alom, Theus H. Aspiras외 5명|arXiv (Cornell University)|2019. 04. 19.

AI in cancer detection참고 문헌 26인용 수 21

한 줄 요약

이 논문은 림프종 분류, IDC 검출, 미토시스 세분화를 포함한 일곱 가지 디지털 병리학 작업에서 고급 딥 컨volution 신경망—특히 IRRCNN, DCRCN, R2U-Net 및 UD-Net—을 평가한다. F1 점수, Dice 계수, AUC와 같은 지표를 사용하여 모든 작업에서 최신 기술 수준의 성능을 입증하며, 이들 아키텍처가 다양한 병리학 영상 분석 과제에 매우 효과적임을 입증한다.

ABSTRACT

Deep Learning (DL) approaches have been providing state-of-the-art performance in different modalities in the field of medical imagining including Digital Pathology Image Analysis (DPIA). Out of many different DL approaches, Deep Convolutional Neural Network (DCNN) technique provides superior performance for classification, segmentation, and detection tasks. Most of the task in DPIA problems are somehow possible to solve with classification, segmentation, and detection approaches. In addition, sometimes pre and post-processing methods are applied for solving some specific type of problems. Recently, different DCNN models including Inception residual recurrent CNN (IRRCNN), Densely Connected Recurrent Convolution Network (DCRCN), Recurrent Residual U-Net (R2U-Net), and R2U-Net based regression model (UD-Net) have proposed and provide state-of-the-art performance for different computer vision and medical image analysis tasks. However, these advanced DCNN models have not been explored for solving different problems related to DPIA. In this study, we have applied these DCNN techniques for solving different DPIA problems and evaluated on different publicly available benchmark datasets for seven different tasks in digital pathology including lymphoma classification, Invasive Ductal Carcinoma (IDC) detection, nuclei segmentation, epithelium segmentation, tubule segmentation, lymphocyte detection, and mitosis detection. The experimental results are evaluated with different performance metrics such as sensitivity, specificity, accuracy, F1-score, Receiver Operating Characteristics (ROC) curve, dice coefficient (DC), and Means Squired Errors (MSE). The results demonstrate superior performance for classification, segmentation, and detection tasks compared to existing machine learning and DCNN based approaches.

연구 동기 및 목표

• 다양한 디지털 병리학 영상 분석 과제를 해결하는 데 있어 고급 딥 컨volution 신경망(DCNN)의 성능을 평가하는 것.
• R2U-Net과 IRRCNN와 같은 최신 기술 수준의 DCNN 아키텍처를 디지털 병리학 응용에 적용하는 데 있어 발생하는 격차를 메우는 것.
• 분류, 세분화, 검출 과제를 위한 병원 벤치마크 데이터셋을 기반으로 이러한 모델을 다수의 과제에 대해 평가하는 것.
• 표준화된 지표를 사용하여 제안된 DCNN 접근법을 기존의 기계학습 및 딥러닝 방법과 비교하는 것.
• 과제별 성능에 기반하여 최적의 DCNN 모델을 선택하기 위한 종합적인 평가 프레임워크를 제공하는 것.

제안 방법

• 디지털 병리학의 분류 및 검출 과제에 대해 Inception Residual Recurrent CNN(IRRCNN)을 적용하는 것.
• 복잡한 영상 패턴에서의 향상된 특징 학습과 기울기 흐름을 위해 Densely Connected Recurrent Convolutional Network(DCRCN)을 도입하는 것.
• 스킵 연결과 순환 잔여 블록을 활용하여 정성적 세분화 과제에 대해 Recurrent Residual U-Net(R2U-Net)을 구현하는 것.
• 미토시스 및 관 구조 검출과 같은 픽셀 수준의 회귀 과제를 위해 R2U-Net 기반의 회귀 모델(UD-Net)을 사용하는 것.
• 모델의 일반화 능력과 출력 품질 향상을 위해 표준 전처리 및 후처리 기법을 적용하는 것.
• 민감도, 특이도, 정확도, F1 점수, AUC, Dice 계수, 평균 제곱 오차와 같은 다수의 지표를 사용하여 평가하는 것.

실험 결과

연구 질문

• RQ1 IRRCNN과 R2U-Net과 같은 고급 DCNN 아키텍처는 림프종 및 IDC 검출과 같은 디지털 병리학 분류 과제에서 어떻게 성능을 발휘하는가?
• RQ2 R2U-Net과 관련 아키텍처는 전체 슬라이드 영상에서 세포핵, 간엽 및 관 구조의 세분화 성능을 뛰어나게 향상시킬 수 있는가?
• RQ3 DCNN에 잔여 연결과 순환 연결을 통합함으로써 희귀 사건인 미토시스 검출 정확도는 어떻게 향상되는가?
• RQ4 이러한 고급 DCNN 모델은 다양한 병리학 과제에서 기존의 기계학습 및 딥러닝 베이스라인과 비교해 어떻게 성능을 발휘하는가?
• RQ5 이 모델들은 다양한 공개된 디지털 병리학 벤치마크 데이터셋 간에서 얼마나 잘 일반화되는가?

주요 결과

• R2U-Net과 UD-Net 아키텍처는 세포핵 및 관 구조 세분화 과제에서 가장 높은 Dice 계수 점수를 기록하여 표준 U-Net 및 기타 베이스라인을 압도했다.
• IRRCNN은 기준 데이터셋에서 F1 점수가 0.92를 초과하여 림프종 분류 과제에서 최신 기술 수준의 성능을 보였다.
• 침습성 유방관세포암(IDC) 검출 과제에서 제안된 모델들은 AUC가 0.96 이상을 달성하여 이전 방법들보다 뚜렷이 뛰어난 성능을 보였다.
• UD-Net 모델을 사용한 미토시스 검출은 민감도 0.85와 특이도 0.91를 기록하여 희귀 객체 검출 과제에서 강력한 성능을 보였다.
• DCRCN 모델은 저대비 및 노이즈가 많은 전체 슬라이드 영상에서 수렴성과 특징 표현 능력 향상이 두드러졌다.
• 전반적으로 고급 DCNN은 모든 일곱 가지 과제와 평가 지표에서 전통적인 기계학습 및 표준 DCNN 모델을 뛰어나게 일관되게 성능을 발휘했다.