[논문 리뷰] DCAN: Deep Contour-Aware Networks for Accurate Gland Segmentation

Hao Chen, Xiaojuan Qi외 2명|arXiv (Cornell University)|2016. 04. 10.

AI in cancer detection참고 문헌 44인용 수 130

한 줄 요약

DCAN은 다층 컨텍스트 특징과 컨투어 감독 가지를 갖춘 심층 컨투어 인식 네트워크를 단일 다중 작업 프레임워크에서 도입해 histology 이미지에서 샘의 정확한 세분화와 접촉하는 샘들 간의 구분을 달성하며, MICCAI 2015에서 최고 성능을 기록했다.

ABSTRACT

The morphology of glands has been used routinely by pathologists to assess the malignancy degree of adenocarcinomas. Accurate segmentation of glands from histology images is a crucial step to obtain reliable morphological statistics for quantitative diagnosis. In this paper, we proposed an efficient deep contour-aware network (DCAN) to solve this challenging problem under a unified multi-task learning framework. In the proposed network, multi-level contextual features from the hierarchical architecture are explored with auxiliary supervision for accurate gland segmentation. When incorporated with multi-task regularization during the training, the discriminative capability of intermediate features can be further improved. Moreover, our network can not only output accurate probability maps of glands, but also depict clear contours simultaneously for separating clustered objects, which further boosts the gland segmentation performance. This unified framework can be efficient when applied to large-scale histopathological data without resorting to additional steps to generate contours based on low-level cues for post-separating. Our method won the 2015 MICCAI Gland Segmentation Challenge out of 13 competitive teams, surpassing all the other methods by a significant margin.

연구 동기 및 목표

• 양성 및 악성 케이스 전반에 걸친 조직병리학 분석을 돕기 위해 자동적이고 정확한 gland 구분의 동기를 부여한다.
• 다층 맥락 특징을 활용해 견고한 샘 경계 구분을 위한 end-to-end FCN 기반 프레임워크를 개발한다.
• 접촉하는 샘 개체를 분리하기 위해 딥 컨투어 인식 다중 작업 네트워크를 통해 컨투어 정보를 통합한다.
• 제한된 의학 데이터로 인한 학습 데이터를 완화하기 위해 전이 학습을 가능하게 한다.
• 대규모 조직병리 워크플로우에 적합한 효율성을 입증한다.

제안 방법

• 다른 receptive field로부터의 다층 맥락 특징을 융합하기 위해 fully convolutional networks (FCN)을 확장하여 픽셀 단위의 gland 확률 맵을 얻는다.
• 학습을 안정시키고 심층 계층 전반에서 특징 판별성을 향상시키기 위해 보조 감독을 추가한다.
• 두 개의 출력 분기를 갖는 딥 컨투어 인식 네트워크를 도입하여 gland 개체와 contours를 각각 처리하되 다운샘플링 경로를 공유하고 다중 작업 손실로 함께 학습한다.
• 정규화와 학습된 픽셀 단위 gland 및 contour 예측을 결합하는 엔드-투-엔드 손실 함수를 정의한다.
• gland 개체 및 contour 확률 맵을융합하여 final gland segmentation을 얻고 임계값 t_o 및 t_c 및 후처리 단계를 적용한다.
• downsamping path를 DeepLab/PASCAL-VOC weights로 초기화하고 gland 데이터셋에서 미세조정하여 전이 학습을 적용한다.

실험 결과

연구 질문

• RQ1 다층 맥락 특징이 다양한 조직학 등급에서 gland 분할 정확도를 향상시킬 수 있는가?
• RQ2 contour 분기를 포함시키는 것이 물체-단독 분할보다 접촉하거나 군집화된 샘을 더 효과적으로 구분하는 데 도움이 되는가?
• RQ3 통합된 다중 작업 프레임워크가 대규모 데이터에 적합한 더 빠르고 더 강력한 gland 분할을 제공하는가?
• RQ4 자연 이미지 데이터셋으로부터의 전이 학습이 gland 분할 성능에 미치는 영향은 무엇인가?

주요 결과

• The deep contour-aware network (DCAN) achieves superior detection and segmentation performance on the 2015 MICCAI Gland Segmentation Challenge Part A and Part B.
• Contour-aware fusion (CUMedVision2) yielded best detection on Part A and competitive results on Part B, achieving top overall ranking among 13 teams.
• Object-level Dice and Hausdorff metrics show DCAN with contour guidance outperforms competing methods, with the smallest Hausdorff distance reported for Part A.
• Inference is fast, averaging about 1.5 seconds per 755×522 image, enabling practical use on large-scale histology data.
• Training time is about four hours on a Titan X GPU, illustrating efficient optimization with transfer learning.
• Ablation analysis confirms that contour information improves separation of touching glands, particularly in benign cases.