[論文レビュー] CIA-Net: Robust Nuclei Instance Segmentation with Contour-aware Information Aggregation

Yanning Zhou, Omer Fahri Onder+4 more|arXiv (Cornell University)|Mar 13, 2019

AI in cancer detection参考文献 24被引用数 15

ひとこと要約

CIA-Net は、核のインスタンスセグメンテーションにおけるロバスト性を向上させるために、滑らかな切り捨て損失を用いた輪郭認識型情報集約ネットワークを提案する。核と輪郭のデコーダー間で双方向に特徴を統合し、ノイズが多く信頼性の低い予測を軽減することで、2018年 MICCAI マルチオルガニズム核セグメンテーションチャレンジで35チームの参加者を大きく上回る成績を収めた。

ABSTRACT

Accurate segmenting nuclei instances is a crucial step in computer-aided image analysis to extract rich features for cellular estimation and following diagnosis as well as treatment. While it still remains challenging because the wide existence of nuclei clusters, along with the large morphological variances among different organs make nuclei instance segmentation susceptible to over-/under-segmentation. Additionally, the inevitably subjective annotating and mislabeling prevent the network learning from reliable samples and eventually reduce the generalization capability for robustly segmenting unseen organ nuclei. To address these issues, we propose a novel deep neural network, namely Contour-aware Informative Aggregation Network (CIA-Net) with multi-level information aggregation module between two task-specific decoders. Rather than independent decoders, it leverages the merit of spatial and texture dependencies between nuclei and contour by bi-directionally aggregating task-specific features. Furthermore, we proposed a novel smooth truncated loss that modulates losses to reduce the perturbation from outliers. Consequently, the network can focus on learning from reliable and informative samples, which inherently improves the generalization capability. Experiments on the 2018 MICCAI challenge of Multi-Organ-Nuclei-Segmentation validated the effectiveness of our proposed method, surpassing all the other 35 competitive teams by a significant margin.

研究の動機と目的

• 形態的多様性とぼやけた境界線による密集した核の過剰・不足セグメンテーションの課題に対処すること。
• 病理画像における主観的で誤標記されたアノテーションがモデルの一般化性能に与える悪影響を軽減すること。
• 双方向特徴集約により、核と輪郭予測間の空間的・テクスチャ的依存関係を活用し、特徴学習を向上させること。
• 外れ値やノイズの多いサンプルの影響を低減するロバストな損失関数の開発。
• 未知の核の形態や染色変動を示す多様な臓器タイプに優れた一般化性能を達成すること。

提案手法

• 核と輪郭のデコーダー間で双方向の特徴精錬を可能にする多段階情報集約モジュール（IAM）を導入し、空間的・テクスチャ的整合性を向上させる。
• ピラミッド型特徴抽出を備えた密接続エンコーダーを採用し、マルチスケールの文脈を保持するとともに、深層ネットワークにおける勾配の流れを改善する。
• 低信頼度（低 pt）の予測をソフトに軽減するため、2次関数を用いた滑らかな切り捨て損失（STL）を提案。外れ値の影響を急激な切断なしに低減する。
• STL は予測の信頼度に応じて損失寄与度を動的に制御し、軽減の閾値を制御する切捨てパラメータ γ を有する。
• 2本のブランチからなるデコーダー構造を採用：1本は核インスタンスセグメンテーション、もう1本は輪郭予測。共通のエンコーダーとブランチ間の特徴統合を実装。
• トレーニング中に滑らかな切り捨て損失を適用し、低信頼度で誤標記の可能性のあるサンプルからの勾配を抑制することで、ロバスト性と一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 核と輪郭ヘッド間の双方向特徴集約は、複雑で密集した核の状況におけるインスタンスセグメンテーション精度を向上させ得るか？
• RQ2 滑らかな切り捨て損失関数は、核セグメンテーションにおけるノイズや誤標記されたアノテーションの処理において、標準的な BCE やブートストラップ損失と比べてどのように優れているか？
• RQ3 提案手法は、染色、形態、密度の異なる多様な臓器タイプにどの程度一般化可能か？
• RQ4 損失勾配の滑らかな切り捨ては、ノイズの多いサンプルへの過学習を低減させつつ、情報量の多い境界領域の学習を維持できるか？
• RQ5 提案手法は、高い変動性を示す実世界のマルチオルガニズム病理画像データセットにおいて、最先端の性能を達成できるか？

主な発見

• CIA-Net は、未観測の Test2 テストセット（7つの多様な臓器を含む）で最高の AJI スコア 0.6306 を達成し、2018年 MICCAI MoNuSeg チャレンジに参加した全35チームを大きく上回った。
• 滑らかな切り捨て損失（STL）は、Binary Cross-Entropy と比較して Test2 で AJI を約 2.5% 向上させ、未知の臓器タイプにおける強力な一般化性能を示した。
• 拡散クロマチン核や不規則な形状のクラスタなど、困難なケースにおいて、過剰セグメンテーションと不足セグメンテーションが低減されたことが、定性的な比較で確認された。
• ヒートマップの可視化により、STL でトレーニングされたモデルが、特に最適な γ 値で、より鋭く明確な核の予測を生成し、不確実領域が少ないことが確認された。
• 滑らかな切り捨て損失は、非滑らかなバージョンと比較して γ ハイパーパramータのチューニングに対して感受性が低く、実用的・安定性に優れていることが示された。
• すべての指標においてベースライン損失（BCE、BST、T）を上回り、STL は Test2 で最高の F1 スコア（0.8458）を達成し、ノイズの多い環境下での有効性を確認した。