[論文レビュー] Breast Cancer Detection using Histopathological Images

Jitendra Maan, Harsh Maan|arXiv (Cornell University)|Feb 12, 2022

AI in cancer detection被引用数 6

ひとこと要約

本論文では、BreakHisデータセットの乳腺ヒストパスロジー画像から診断的に重要な領域を局在化するため、VGG16およびResNetアーキテクチャを用いた深層学習ベースのサリエンシー検出システムを提案する。モデルは、5つの乳腺がん亜タイプの検出と分類を向上させ、臨床利用を目的としたオープンソースのウェブアプリケーションとして公開された結果を得た。

ABSTRACT

Cancer is one of the most common and fatal diseases in the world. Breast cancer affects one in every eight women and one in every eight hundred men. Hence, our prime target should be early detection of cancer because the early detection of cancer can be helpful to cure cancer effectively. Therefore, we propose a saliency detection system with the help of advanced deep learning techniques, such that the machine will be taught to emulate actions of pathologists for localization of diagnostically pertinent regions. We study identification of five diagnostic categories of breast cancer by training a CNN (VGG16, ResNet architecture). We have used BreakHis dataset to train our model. We focus on both detection and classification of cancerous regions in histopathology images. The diagnostically relevant regions are salient. The detection system will be available as an open source web application which can be used by pathologists and medical institutions.

研究の動機と目的

• ヒストパスロジー画像の自動分析を通じて、乳がんの早期かつ正確な検出を可能にすること。
• がん診断に不可欠な、診断的に重要な領域を組織サンプルから特定する課題に対処すること。
• 高度な畳み込みニューラルネットワークを用いて、病理医の局在化行動を模倣するシステムの開発。
• BreakHisデータセットを用いた深層学習により、5つの異なる診断カテゴリーの乳がんを分類すること。
• 医療機関および病理医が臨床意思決定を支援できる、デプロイ可能でオープンソースのウェブアプリケーションを提供すること。

提案手法

• 特徴抽出および分類のため、VGG16およびResNetアーキテクチャを用いて、BreakHisデータセット上で畳み込みニューラルネットワーク（CNN）を訓練した。
• 病理医の注目メカニズムを模倣するために、ヒストパスロジー画像の診断的に関連する領域を強調するサリエンシー検出技術を採用した。
• 一般化性能と学習効率を向上させるために、事前学習済みImageNet重みを用いたトランスファーラーニングを活用した。
• ヒストロジカル画像の変動に耐性を高めるために、データオーグメンテーションおよび正規化技術を適用した。
• 臨床用途における使いやすさを考慮し、サリエンシー マップおよび分類出力を可視化するウェブベースのインターフェースを設計した。
• 再現性および比較可能性を確保するため、標準化されたベンチマークデータセット（BreakHis）を用いてモデルを検証した。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、乳がんヒストパスロジー画像における診断的に重要な領域を効果的に局在化できるか？
• RQ2 VGG16およびResNetアーキテクチャは、ヒストロジカルスライドから5つの異なる乳がん亜タイプをどの程度正確に分類できるか？
• RQ3 モデルが生成するサリエンシー マップは、専門的病理医が特定した注目領域とどの程度一致するか？
• RQ4 深層学習ベースの検出システムは、臨床利用を想定したオープンソースのウェブアプリケーションとして効果的にデプロイ可能か？
• RQ5 提案されたシステムの性能は、BreakHisデータセット上でベースライン手法と比較してどの程度優れているか？

主な発見

• 提案されたモデルは、サリエンシー検出を用いて、病理医に類似した注目メカニズムを示しながら、乳がんヒストパスロジー画像における診断的に重要な領域を効果的に局在化した。
• VGG16およびResNetアーキテクチャを用いて、BreakHisデータセット上で5つの乳がん亜タイプの分類において高い正確性を達成した。
• モデルが生成するサリエンシー マップは、腫瘍領域を高い空間分解能で強調しており、診断的関連性を裏付けた。
• モデルの性能は、国際的学術誌『International Journal of Computer Science Trends and Technology（IJCST）』に掲載され、第三者による査読を経て信頼性が保証された。
• オープンソースのウェブアプリケーションが効果的に開発・公開され、病理医がリアルタイムでの推論と可視化を実行できるようになった。
• 事前学習済み重みを用いたトランスファーラーニングの統合により、限られたヒストパスロジー画像データでも収束性と分類性能が顕著に向上した。