[논문 리뷰] Cancer Metastasis Detection With Neural Conditional Random Field

Yi Li, Wei Ping|arXiv (Cornell University)|2018. 06. 19.

AI in cancer detection참고 문헌 20인용 수 79

한 줄 요약

NCRF는 CNN 패치 특징 위에 완전 연결된 CRF를 통합하여 전체 슬라이드 이미지 패치의 공간 상관성을 모델링하고 전이성 탐지를 향상시키며 Camelyon16에서 최첨단 FROC를 달성합니다.

ABSTRACT

Breast cancer diagnosis often requires accurate detection of metastasis in lymph nodes through Whole-slide Images (WSIs). Recent advances in deep convolutional neural networks (CNNs) have shown significant successes in medical image analysis and particularly in computational histopathology. Because of the outrageous large size of WSIs, most of the methods divide one slide into lots of small image patches and perform classification on each patch independently. However, neighboring patches often share spatial correlations, and ignoring these spatial correlations may result in inconsistent predictions. In this paper, we propose a neural conditional random field (NCRF) deep learning framework to detect cancer metastasis in WSIs. NCRF considers the spatial correlations between neighboring patches through a fully connected CRF which is directly incorporated on top of a CNN feature extractor. The whole deep network can be trained end-to-end with standard back-propagation algorithm with minor computational overhead from the CRF component. The CNN feature extractor can also benefit from considering spatial correlations via the CRF component. Compared to the baseline method without considering spatial correlations, we show that the proposed NCRF framework obtains probability maps of patch predictions with better visual quality. We also demonstrate that our method outperforms the baseline in cancer metastasis detection on the Camelyon16 dataset and achieves an average FROC score of 0.8096 on the test set. NCRF is open sourced at https://github.com/baidu-research/NCRF.

연구 동기 및 목표

• 유방암 진단을 위한 WSIs에서 림프절 전이의 정확한 탐지를 동기화합니다.
• 이웃 패치 간의 공간 상관성을 모델링하여 블록 단위 패치 분류의 한계를 addressing합니다.
• CNN 특징과 CRF 포텐셜을 공동으로 학습하는 엔드 투 엔드 가능한 NCRF 프레임워크를 제안합니다.
• 패치 단독 기본 모델에 비해 전반적인 전이 탐지 성능과 확률 맵의 매끄러움을 개선합니다.

제안 방법

• ResNet-18 또는 ResNet-34를 CNN 특징 추출기로 사용하여 패치 임베딩을 추출합니다.
• 패치 임베딩 위에 완전 연결된 CRF를 두고 패치 레이블의 조건부 분포를 모델링합니다.
• Unary 포텐셜을 음의 로그 가능도(CNN 로짓)로 정의하고, Pairwise 포텐셜을 임베딩 간 학습 가능 가중 코사인 거리로 정의합니다.
• Mean-field 근사 추론을 수행하여 엔드 투 엔드 역전파를 위한 패치 단위 주변 분포를 얻습니다.
• CRF 평균장 반복에 소량의 GPU 오버헤드를 갖는 표준 역전파를 사용하여 엔드 투 엔드로 학습합니다.
• Camelyon16에서 확률 맵, 패치 단위 정확도, 평균 FROC로 평가합니다.

실험 결과

연구 질문

• RQ1 패치 임베딩에 대한 신경 CRF가 WSIs에서 전이 확률 맵의 공간적 일관성과 정확성을 개선할 수 있는가?
• RQ2 CRF와 함께 CNN 특징을 엔드-투-엔드로 학습시키면 CNN 단독보다 패치 수준 분류가 더 좋아지는가?
• RQ3 NCRF가 Camelyon16 데이터셋에서 전이 탐지 성능(FROC)에 미치는 영향은 어떠한가?

주요 결과

아키텍처	Baseline	NCRF	아키텍처	Baseline	NCRF
ResNet-18	0.9242 ± 0.0007	0.9296 ± 0.0013
ResNet-34			0.9251 ± 0.0007	0.9338 ± 0.0014

• NCRF는 패치 독립적 기본 대비 더 매끄러운 확률 맵과 더 뚜렷한 경계를 생성합니다.
• CRF 구성 요소로 CNN을 학습시킬 때 패치 분류 정확도가 향상됩니다(ResNet-18: 0.9296 vs 0.9242; ResNet-34: 0.9338 vs 0.9251).
• Camelyon16 테스트 세트에서 NCRF는 기본값 대비 평균 FROC 점수를 향상시킵니다(ResNet-18: 0.7934 vs 0.7825; ResNet-34: 0.7704 vs 0.7444).
• 보고된 최적의 NCRF 결과: ResNet-18로 평균 FROC 0.8096.