[論文レビュー] Comparing Deep Learning Models for Multi-cell Classification in Liquid-based Cervical Cytology Images

Sudhir Sornapudi, G. T. Brown+4 more|arXiv (Cornell University)|Oct 2, 2019

AI in cancer detection参考文献 12被引用数 6

ひとこと要約

本論文は、正確な細胞セグメンテーションに依存せずに、微細調整された畳み込みニューラルネットワークを用いたパッチベース分類により、液体画がん細胞診断画像におけるマルチセル分類のためのディープラーニングパイプラインを提案する。VGG-19は、正確な再現率曲線において95％の精度を達成し、がんスライド画像における単離および重なりがちな細胞の分類において優れた性能を示した。

ABSTRACT

Liquid-based cytology (LBC) is a reliable automated technique for the screening of Papanicolaou (Pap) smear data. It is an effective technique for collecting a majority of the cervical cells and aiding cytopathologists in locating abnormal cells. Most methods published in the research literature rely on accurate cell segmentation as a prior, which remains challenging due to a variety of factors, e.g., stain consistency, presence of clustered cells, etc. We propose a method for automatic classification of cervical slide images through generation of labeled cervical patch data and extracting deep hierarchical features by fine-tuning convolution neural networks, as well as a novel graph-based cell detection approach for cellular level evaluation. The results show that the proposed pipeline can classify images of both single cell and overlapping cells. The VGG-19 model is found to be the best at classifying the cervical cytology patch data with 95 % accuracy under precision-recall curve.

研究の動機と目的

• 従来の方法が正確な細胞セグメンテーションに強く依存する液体画がん細胞診断画像において、正確ながん細胞分類を達成するという課題に対処すること。
• 事前のセグメンテーションを必要とせず、画像パッチに直接処理を行う堅牢な分類パイプラインの開発。
• 細胞診断画像における単離および重なりがちながん細胞の両方を分類する能力について、複数のディープラーニングアーキテクチャの評価。
• 階層的特徴抽出とグラフベース検出を活用することで、自動パピルロームスクリーニングにおける診断精度の向上。

提案手法

• 本手法は、全スライド画像からラベル付きのがんパッチデータを生成し、代表的な細胞領域でのディープラーニングモデルの学習を実施する。
• 畳み込みニューラルネットワークをパッチデータで微細調整し、分類性能の向上に寄与する深層階層的特徴を抽出する。
• 細胞レベルでの細胞の特定と局在化を支援する、新しいグラフベースの細胞検出手法を導入し、マルチセル分類を支援する。
• VGG-19、ResNet-50、DenseNet-121、Inception-v3を含む、複数の事前学習済みモデルの性能比較のため、パイプラインが複数のモデルを評価する。
• テストセットのマルチセル画像を用いて、精度再現率曲線と精度指標を用いて分類性能を評価する。
• パッチレベル分類とグラフベースの局在化に焦点を当てることで、手動または複雑なセグメンテーションに依存することを回避する。

実験結果

リサーチクエスチョン

• RQ1 単離および重なりがちな細胞を含むがん細胞診断パッチを分類する際、どのディープラーニングアーキテクチャが最も優れた性能を示すか？
• RQ2 正確な細胞セグメンテーションを要件としないパッチベース分類アプローチが、高い精度を達成できるか？
• RQ3 グラフベースの細胞検出手法は、マルチセル状況における全体の分類性能にどのように寄与するか？
• RQ4 事前学習済みモデルをがん細胞に特化したパッチデータで微細調整することで、診断分類にどのような影響を与えるか？
• RQ5 がん細胞診断画像解析の文脈において、さまざまなディープラーニングモデルの精度再現率性能はどのように変動するか？

主な発見

• VGG-19は、正確な再現率曲線において95％の最高分類精度を達成し、他のテスト済みモデルを上回った。
• 提案されたパイプラインは、正確な細胞セグメンテーションを事前条件とせず、単一細胞および重なりがちな細胞の両方を効果的に分類できた。
• 事前学習済み畳み込みニューラルネットワークをがん細胞パッチデータで微細調整することで、分類性能が顕著に向上した。
• グラフベースの細胞検出手法により、スライド画像の複雑なクラスタ領域における細胞の効果的局在化と評価が可能になった。
• 本手法は、液体画がん細胞診断において一般的な染色変動や細胞クラスタリングの課題に対しても、頑健性を示した。
• 結果から、セグメンテーション依存アプローチの代替として、パッチベースのディープラーニング分類が実用的かつ正確であることが示された。