[논문 리뷰] Context-aware stacked convolutional neural networks for classification of breast carcinomas in whole-slide histopathology images

Babak Ehteshami Bejnordi, Guido Zuidhof외 7명|arXiv (Cornell University)|2017. 05. 10.

AI in cancer detection참고 문헌 30인용 수 7

한 줄 요약

이 논문은 유방 조직의 전체 슬라이드 조직병리학 영상(whole-slide histopathology images)을 정상/양성, 유관세포내암종(ductal carcinoma in situ, DCIS), 및 침습성 유관세포암종(invasive ductal carcinoma, IDC)으로 분류하기 위해 맥락 인식형 스택드 컨volution 신경망(CAS-CNN)을 제안한다. 이 방법은 이중 단계의 딥러닝 접근 방식을 사용한다: 첫 번째로 고해상도 CNN이 작은 패치에서 세포 수준의 특징을 추출하고, 두 번째로 전체적인 맥락적 의존성을 통합하는 완전 컨volution 신경망이 이를 이어받는다. 시스템은 221장의 전체 슬라이드 영상 데이터셋에서 이진 분류에 대해 AUC 0.962를 달성했으며, 3개 클래스 분류 정확도는 81.3%를 기록했다.

ABSTRACT

Automated classification of histopathological whole-slide images (WSI) of breast tissue requires analysis at very high resolutions with a large contextual area. In this paper, we present context-aware stacked convolutional neural networks (CNN) for classification of breast WSIs into normal/benign, ductal carcinoma in situ (DCIS), and invasive ductal carcinoma (IDC). We first train a CNN using high pixel resolution patches to capture cellular level information. The feature responses generated by this model are then fed as input to a second CNN, stacked on top of the first. Training of this stacked architecture with large input patches enables learning of fine-grained (cellular) details and global interdependence of tissue structures. Our system is trained and evaluated on a dataset containing 221 WSIs of H&E stained breast tissue specimens. The system achieves an AUC of 0.962 for the binary classification of non-malignant and malignant slides and obtains a three class accuracy of 81.3% for classification of WSIs into normal/benign, DCIS, and IDC, demonstrating its potentials for routine diagnostics.

연구 동기 및 목표

• H&E 염색 유방 조직의 전체 슬라이드 영상(WSIs)을 정상/양성, DCIS, IDC로 자동 분류하기 위한 딥러닝 시스템을 개발하기 위해.
• 세부적인 세포 수준의 세부 정보와 광범위한 조직 맥락을 모두 고려한 고해상도 WSIs 분석의 과제를 해결하기 위해.
• 스택드 CNN 아키텍처를 통해 국소 세포 특징과 전반적인 구조적 상호의존성을 통합함으로써 분류 성능을 향상시키기 위해.
• 임상 코hort에서 수집한 221장의 전체 슬라이드 영상 데이터셋을 기반으로 시스템을 평가하기 위해.
• 예를 들어 악성 종양을 놓치지 않고 양성 슬라이드를 걸러내는 등의 일상 진단 트리지에 딥러닝을 활용할 수 있는지의 타당성을 평가하기 위해.

제안 방법

• 이중 단계의 스택드 CNN 아키텍처를 사용한다: 첫 번째 단계에서는 고해상도 패치(최대 512×512)로 훈련된 CNN이 세부적인 세포 수준의 특징을 추출한다.
• 첫 번째 CNN의 특징 맵은 위에 스택된 두 번째 완전 컨볼루션 신경망에 입력으로 제공되며, 이는 조직 전반에 걸친 장거리 맥락적 의존성을 모델링한다.
• 큰 입력 패치를 사용하여 엔드 투 엔드로 스택된 네트워크를 훈련함으로써 국소 형태학적 특징과 전반적인 조직 구조를 모두 학습할 수 있도록 한다.
• 계층적 특징 학습을 활용하여 악성 종양을 구분하는 데 핵심적인 세포핵 및 샤프트 패턴을 포착한다.
• 모델은 전문 병리학자들의 애너테이션을 포함한 221장의 전체 슬라이드 영상 데이터셋에서 훈련 및 평가된다.
• 외부 데이터 증강에 의존하지 않고도, 큰 패치 입력을 통한 수용체 영역 확장을 통해 맥락 인식 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 스택드 CNN 아키텍처는 정확한 유방 WSIs 분류를 위해 국소 세포 수준의 특징과 전반적인 조직 맥락을 효과적으로 융합할 수 있는가?
• RQ2 입력 패치 크기를 증가시키는 것이 유방 암종의 전체 슬라이드 영상 분류에서 딥러닝 모델의 성능에 어떤 영향을 미치는가?
• RQ3 맥락 인식형 딥러닝 모델은 H&E 염색 전체 슬라이드 영상에서 양성, DCIS, IDC 병변을 어느 정도 정확하게 구분할 수 있는가?
• RQ4 이러한 시스템은 악성 종양을 탐지하는 데 높은 민감도를 달성하면서도 양성 슬라이드의 효율적 트리지가 가능한가?
• RQ5 자동 분류에서 주로 발생하는 오분류의 원인은 무엇이며, 특히 DCIS와 양성 유사 병변 간 오분류의 경우는 어떠한가?

주요 결과

• CAS-CNN는 정상/양성과 악성(예: DCIS 및 IDC)을 이진 분류한 결과 AUC가 0.962를 기록했다.
• 시험 세트에서 시스템은 3개 클래스 분류 정확도 81.3%와 코HEN의 카파 값 0.700을 달성했으며, 실제 데이터에서 뛰어난 성능을 입증했다.
• 모든 악성 슬라이드(DCIS 및 IDC)를 정확히 분류했고, 악성 종양을 놓치지 않은 채 약 50%의 양성 슬라이드를 걸러내는 데 성공했다.
• 오분류의 주요 원인은 주로 일반적인 유관세포 과다증식과 같은 양성 병변과 DCIS 사이, 그리고 DCIS와 IDC 사이에서 발생했으며, 전문가들 사이에서도 진단의 모호성이 있음을 시사한다.
• 입력 패치 크기가 커질수록 성능이 지속적으로 향상되었으며, 이는 확장된 수용체 영역이 분류 정확도를 향상시킨다는 것을 의미한다.
• 연구 결과는 염색 표준화와 다중 척도 아키텍처를 통해 일반화 능력을 더욱 향상시키고 미세한 형태학적 차이를 구분하는 데 오류를 줄일 수 있을 것으로 제안한다.