[論文レビュー] CoNIC: Colon Nuclei Identification and Counting Challenge 2022

Simon Graham, Mostafa Jahanifar+7 more|arXiv (Cornell University)|Nov 29, 2021

AI in cancer detection参考文献 12被引用数 4

ひとこと要約

CoNIC 2022チャレンジは、計算病理学における核のセグメンテーション、分類、カウントを進めるために、約50万個のアノテート済み核を含む大規模かつ公開可能なデータセットを導入した。このチャレンジでは、モデルの正確性と入力の変化に対するロバストネスを評価し、Dockerベースの提出とHoVer-Netを用いたベースラインを用いた標準化されたベンチマークを実施する。

ABSTRACT

Nuclear segmentation, classification and quantification within Haematoxylin & Eosin stained histology images enables the extraction of interpretable cell-based features that can be used in downstream explainable models in computational pathology (CPath). However, automatic recognition of different nuclei is faced with a major challenge in that there are several different types of nuclei, some of them exhibiting large intra-class variability. To help drive forward research and innovation for automatic nuclei recognition in CPath, we organise the Colon Nuclei Identification and Counting (CoNIC) Challenge. The challenge encourages researchers to develop algorithms that perform segmentation, classification and counting of nuclei within the current largest known publicly available nuclei-level dataset in CPath, containing around half a million labelled nuclei. Therefore, the CoNIC challenge utilises over 10 times the number of nuclei as the previous largest challenge dataset for nuclei recognition. It is important for algorithms to be robust to input variation if we wish to deploy them in a clinical setting. Therefore, as part of this challenge we will also test the sensitivity of each submitted algorithm to certain input variations.

研究の動機と目的

• 大規模かつ公開可能なデータセットを用いて、計算病理学における自動核認識のイノベーションを促進すること。
• 核インスタンスセグメンテーション、分類、細胞構成（カウント）のタスクにおける深層学習モデルの評価を行うこと。
• 臨床応用に向けた必須要件である、入力の変化に対するモデルのロバストネスを評価すること。
• Dockerベースの提出とベースラインモデル（HoVer-Net）を備えた標準化されたベンチマークを提供し、手法の比較を可能にすること。
• 技術論文の出版を促進することで、手法の透明性を確保し、重複した提出を防ぐこと。

提案手法

• チャレンジでは、20倍の倍率で得られた4,981枚のWhole-slide画像パッチ（256×256）から成るLizardデータセットを用いる。このデータセットには、全核インスタンスおよびカテゴリのアノテーションが付与されている。
• 参加者は再現性と標準化を確保するため、Dockerコンテナを介して完全自動化されたモデルを提出する必要がある。
• 主な2つのタスクが定義されている：(1) 核インスタンスセグメンテーションおよび分類、(2) 明示的な境界抽出なしでの細胞構成（カウント）。
• 評価は、インスタンスセグメンテーション指標（例：平均Dice、平均IoU）および細胞タイプごとの決定係数（R²）と平均絶対誤差（MAE）に基づいて行われる。
• ベースライン手法としてHoVer-Netを提供し、セグメンテーションと分類の両方を実行することで、後続のカウントタスクの比較を可能にする。
• ロバストネス評価はチャレンジ後に行われるが、順位付けには使用されないため、臨床応用の可能性を評価する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、大腸組織画像における多様な核タイプのインスタンスセグメンテーションおよび分類をどの程度正確に実行できるか？
• RQ2 明示的な核境界抽出なしで、細胞構成（各細胞タイプごとのカウント）を正確に予測できるか？
• RQ3 最先端のモデルは、画像前処理や摂動などの入力の変化に対してどの程度感受性を示すか？
• RQ4 このデータセットで学習したモデルは、未観測のデータや他の組織にどの程度一般化できるか？
• RQ5 モデルアーキテクチャーやトレーニング戦略は、臨床的関連性の高い環境におけるロバストネスとパフォーマンスにどのような影響を与えるか？

主な発見

• CoNICデータセットには約50万個のアノテート済み核が含まれており、核認識のための前回最大のチャレンジデータセットを10倍以上上回る規模である。
• Lizardデータセットには、正常、炎症性、異形成性、がん性状態を含む6つの異なる大腸組織由来の核が含まれており、データセットの多様性が向上している。
• Dockerベースの提出を用いた標準化された評価プロトコルが採用されており、再現性と公平性が確保されている。
• HoVer-Netに基づくベースラインモデルが提供されており、セグメンテーションおよび分類性能の直接比較が可能である。
• 入力の変化に対するロバストネスはチャレンジ後に評価され、臨床応用の準備状況における重要なギャップを浮き彫りにしている。
• 参加者は、メソドロジーの透明性を確保し、チャレンジ後の分析を可能にするために、LNCSフォーマットの4ページ以内の技術論文を提出する必要がある。