[論文レビュー] Classification and Retrieval of Digital Pathology Scans: A New Dataset

Morteza Babaie, Shivam Kalra+6 more|arXiv (Cornell University)|May 22, 2017

AI in cancer detection参考文献 29被引用数 4

ひとこと要約

本論文は、24種類の異なる組織テクスチャからなる1,325枚の全スライド画像パッチ（1000×1000）から成る新しいデータセット、Kimia Path24を紹介する。このデータセットは、最大50,000パッチでの学習を可能にし、LBP、bag-of-words、CNNを用いたベンチマークを確立した。CNNでは最高41.80%の精度を達成し、高解像度の病理学的画像におけるテクスチャベース分類の難しさを浮き彫りにした。

ABSTRACT

In this paper, we introduce a new dataset, extbf{Kimia Path24}, for image classification and retrieval in digital pathology. We use the whole scan images of 24 different tissue textures to generate 1,325 test patches of size 1000$ imes$1000 (0.5mm$ imes$0.5mm). Training data can be generated according to preferences of algorithm designer and can range from approximately 27,000 to over 50,000 patches if the preset parameters are adopted. We propose a compound patch-and-scan accuracy measurement that makes achieving high accuracies quite challenging. In addition, we set the benchmarking line by applying LBP, dictionary approach and convolutional neural nets (CNNs) and report their results. The highest accuracy was 41.80\% for CNN.

研究の動機と目的

• 機械学習を用いて高解像度のデジタル病理学的全スライド画像（WSI）の分類と検索を効果的に行う課題に対処すること。
• テクスチャベースの分類と検索における標準化されたベンチマークデータセットを提供すること。
• 従来の手法（LBP、bag-of-words）とディープラーニング（CNN）の性能を、新しい多様性と挑戦性を持つ組織テクスチャデータセット上で評価すること。
• 臨床的文脈における検索性能を反映する、パッチレベルとスキャンレベルの両方を組み合わせた複合的精度指標を確立すること。
• 柔軟なトレーニングパッチ生成と標準化されたテストパッチを備えたデータセットの公開により、再現可能な評価を可能にすること。

提案手法

• データセットKimia Path24は、多様な組織テクスチャから成る24枚の全スライド画像から構成され、1,325個の手動で選択された1000×1000ピクセル（0.5mm×0.5mm）のテストパッチを含む。
• トレーニングパッチは、設定可能なパラメータ（40%のオーバーラップ、99%の同質性閾値）により生成され、設定によって27,000～50,000個以上のパッチが得られる。
• パッチレベルとスキャンレベルの両方の精度を組み合わせた複合的精度指標を提案し、臨床的文脈における検索性能を反映する。
• 3つのベースライン手法を評価：異なる距離測定法（L1、L2、χ²）を用いた局所的バイナリパターン（LBP）、生の特徴量およびLBP特徴量を用いたbag-of-words（BoW）モデル、2つのCNNアーキテクチャ（CNN1とCNN2）。
• CNN1は、ReLU活性化関数、Adam最適化関数、カテゴリカル交差エントロピー損失関数を用い、128×128にリサイズされたパッチからスクラッチで学習した。
• データオーグメンテーションには、バイキュービック補間と勾配ベースフィルタリングを用い、高コントラスト領域を保持した。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、高解像度の全スライド画像から組織テクスチャパッチを効果的に分類・検索できるか？
• RQ2 多様な組織テクスチャのデータセット上で、従来のテクスチャ記述子（LBP）とディープラーニング（CNN）の性能はどのように比較されるか？
• RQ3 複合的パッチ・アンド・スキャン精度指標は、デジタル病理学における現実の検索課題をどの程度反映しているか？
• RQ4 トレーニングデータ量やパッチ選択パラメータの変更が、モデルの汎化性能と精度に与える影響はどの程度か？
• RQ5 空間的および幾何的関係を無視したコンパクトな表現（bag-of-words）は、ディープラーニングを上回る性能を発揮できるか？

主な発見

• 最高の分類精度は、CNN（CNN1）を用いて41.80%を達成し、複合的精度指標において他のすべての手法を上回った。
• LBP（24,3）の近傍とL1距離を用いた手法は、パッチレベル精度66.11%、総合精度41.33%を達成し、2番目に高い成績を収めた。
• 生の特徴量を用いたbag-of-words（BoW）モデルは39.65%の総合精度を達成したのに対し、LBPベースのBoWは38.37%であった。
• ドロップアウトとL2正則化を導入した浅いアーキテクチャであるCNN2は、40.24%の総合精度を達成し、より良いアーキテクチャやデータによる改善の余地があることを示した。
• フル解像度で画像を処理してもLBPは競争力のある結果を示した。これは、LBPがテクスチャの識別に優れていることを示唆している。
• 結果から、高解像度パッチと多様なトレーニングデータを用いても、デジタル病理学におけるテクスチャベース分類は依然として困難であることが明らかになった。