[論文レビュー] Cribriform pattern detection in prostate histopathological images using deep learning models

Malay Singh, Emarene Kalaw+8 more|arXiv (Cornell University)|Oct 9, 2019

AI in cancer detection被引用数 5

ひとこと要約

本稿では、19例の患者から得られたH&E染色全スライド画像を用いて、深層学習ベースのシステムを提案し、前立腺組織像におけるクリブリフォームパターンの自動検出を実現する。微調整された畳み込みニューラルネットワーク（VGG16、VGG19、Inception-v3）と手作業で抽出した核特徴量、およびマルチレイヤーパーセプトロンを組み合わせた手法により、未知のテストセットで88.04%の精度を達成し、最先端の核特徴量ベースの手法を上回った。

ABSTRACT

Architecture, size, and shape of glands are most important patterns used by pathologists for assessment of cancer malignancy in prostate histopathological tissue slides. Varying structures of glands along with cumbersome manual observations may result in subjective and inconsistent assessment. Cribriform gland with irregular border is an important feature in Gleason pattern 4. We propose using deep neural networks for cribriform pattern classification in prostate histopathological images. $163708$ Hematoxylin and Eosin (H\\&E) stained images were extracted from histopathologic tissue slides of $19$ patients with prostate cancer and annotated for cribriform patterns. Our automated image classification system analyses the H\\&E images to classify them as either `Cribriform' or `Non-cribriform'. Our system uses various deep learning approaches and hand-crafted image pixel intensity-based features. We present our results for cribriform pattern detection across various parameters and configuration allowed by our system. The combination of fine-tuned deep learning models outperformed the state-of-art nuclei feature based methods. Our image classification system achieved the testing accuracy of $85.93~\\pm~7.54$ (cross-validated) and $88.04~\\pm~5.63$ ( additional unseen test set) across three folds. In this paper, we present an annotated cribriform dataset along with analysis of deep learning models and hand-crafted features for cribriform pattern detection in prostate histopathological images.

研究の動機と目的

• グレアソングレーディングにおける高い観察者間・観察者内ばらつきを是正するため、前立腺組織像におけるクリブリフォームパターン検出の自動化を目的とする。
• 正確なグレアソンパターン4の診断に不可欠なクリブリフォームパターンと非クリブリフォームパターンを区別できる信頼性が高く、客観的な分類システムの開発を目的とする。
• 今後のデジタル病理学およびAI駆動のがんグレーディング研究を支援するため、公開可能でアノテーション済みのクリブリフォームデータセットの構築を目的とする。
• 事前学習済みの深層ニューラルネットワーク（例：VGG、Inception、DenseNet）を用いたトランスファーラーニングのクリブリフォームパターン検出への適用効果を評価することを目的とする。
• 深層学習特徴量と手作業で抽出した核のテクスチャおよび空間的特徴量を統合することで、分類のロバスト性を向上させることを目的とする。

提案手法

• 本システムは、19例の前立腺がん患者の163,708枚のH&E染色全スライド画像を用い、クリブリフォームパターン対非クリブリフォームパターンとして手動でアノテーション済みである。
• 事前学習済みの深層学習モデル（VGG16、VGG19、Inception-v3、DenseNet-121、DenseNet-169、ResNet-50）を、トランスファーラーニングを用いて本データセット上で微調整した。
• 核のテクスチャ、空間的分布、形態的特性に基づいて、クリブリフォーム特有のパターンを捉えるために、手作業で抽出した核特徴量を抽出した。
• マルチレイヤーパーセプトロン（MLP）を用いて、深層学習特徴量と手作業で抽出した核特徴量を統合し、分類性能の向上を図った。
• 一般化性能を確認するため、3分割交差検証と追加の未知のテストセットを用いてモデルを評価した。
• 入力画像を複数のスケール（16×16から256×256ピクセル）にリサイズし、スケール感受性の評価および最適化を実施した。

実験結果

リサーチクエスチョン

• RQ1 微調整された深層ニューラルネットワークは、高い精度で前立腺組織像におけるクリブリフォームパターンを効果的に検出できるか？
• RQ2 深層学習特徴量と組み合わせた場合、手作業で抽出した核特徴量はクリブリフォームパターン検出にどのように寄与するか？
• RQ3 深層学習特徴量と手作業で抽出した核特徴量を統合することで、個別の手法に比べて分類性能が向上するか？
• RQ4 クリブリフォームパターン検出において、モデルの性能は入力画像のスケールによってどのように変化するか？
• RQ5 事前学習済みモデルからのトランスファーラーニングは、この特殊な組織像分類タスクにおいて最先端の結果を達成できるか？

主な発見

• マルチレイヤーパーセプトロン（MLP）による深層学習特徴量と手作業で抽出した核特徴量の統合により、交差検証でのテスト精度が85.93% ± 7.54を達成した。
• 最も優れた性能を示したモデルは、特徴量統合を施したInception-v3であり、独立した未知のテストセットで88.04% ± 5.63の精度を達成した。
• 微調整されたInception-v3は、他の個別のモデルを上回り、交差検証で88.18% ± 5.99の精度を達成した。
• 深層学習特徴量と手作業で抽出した核特徴量の統合により、単独で使用する場合よりも性能が向上し、両者の相補的な強みが示された。
• VGG19およびVGG16も良好な性能を示し、それぞれ交差検証で86.78% ± 6.97および85.65% ± 6.68の精度を達成した。
• 本システムは、最先端の核特徴量ベースの手法を上回り、ハイブリッドな深層学習と手作業特徴量統合手法の有効性が裏付けられた。