[論文レビュー] Finding a Needle in the Haystack: Attention-Based Classification of High Resolution Microscopy Images.

Naofumi Tomita, Behnaz Abdollahi+4 more|arXiv (Cornell University)|Nov 20, 2018

Esophageal Cancer Research and Treatment被引用数 6

ひとこと要約

本論文では、領域の注目領域（ROI）のアノテーションを一切不要にすることで、バーレット食道および食道腺がんの高解像度組織像を分類する注目メカニズムを用いた深層学習フレームワークを提案する。畳み込みニューラルネットワーク（CNN）とグリッドベースの注目メカニズムを組み合わせたモデルは、123枚のテスト画像において平均正答率0.83を達成し、ROIアノテーションで学習された最先端のスライディングウィンドウ手法を上回るか同等の性能を示した。

ABSTRACT

Deep learning-based methods, such as the sliding window approach for cropped-image classification and heuristic aggregation for whole-slide inference, for analyzing histological patterns in high-resolution microscopy images have shown promising results. These approaches, however, require a laborious annotation process and are fragmented. This diagnostic study collected deidentified high-resolution histological images (N = 379) for training a new model composed of a convolutional neural network and a grid-based attention network, trainable without region-of-interest annotations. Histological images of patients who underwent endoscopic esophagus and gastroesophageal junction mucosal biopsy between January 1, 2016, and December 31, 2018, at Dartmouth-Hitchcock Medical Center (Lebanon, New Hampshire) were collected. The method achieved a mean accuracy of 0.83 in classifying 123 test images. These results were comparable with or better than the performance from the current state-of-the-art sliding window approach, which was trained with regions of interest. Results of this study suggest that the proposed attention-based deep neural network framework for Barrett esophagus and esophageal adenocarcinoma detection is important because it is based solely on tissue-level annotations, unlike existing methods that are based on regions of interest. This new model is expected to open avenues for applying deep learning to digital pathology.

研究の動機と目的

• 地域の注目領域（ROI）アノテーションを必要としない高解像度組織画像の分類のための深層学習モデルの開発。
• デジタル病理学における既存の深層学習手法の断片的で重いアノテーション負荷の問題の解決。
• 全身スライド画像における組織パターン解析の効率性とスケーラビリティの向上。
• 注目メカニズムが最小限のアノテーション作業で競争力のある性能を達成できるかどうかの評価。

提案手法

• 注目メカニズムを用いた畳み込みニューラルネットワーク（CNN）を統合し、診断的領域に注目するが、ROIレベルの監視を必要としない。
• 訓練は、診断領域のボクシングボックスやピクセルレベルのアノテーションを一切必要としない、全身スライドの組織レベルラベルのみを用いて実施する。
• 注目メカニズムは、空間グリッド領域に注目することで、高解像度画像全体にわたる特徴的なピクセル群を自動的に強調する。
• 標準的なバックプロパゲーションを用いたエンドツーエンドの学習が可能であり、推論中に注目重みが動的に最適化される。
• 比較のためのスライディングウィンドウベースライン手法を用い、最先端の性能を確立するために完全なROIアノテーションで学習した。

実験結果

リサーチクエスチョン

• RQ1 地域の注目領域（ROI）アノテーションを一切必要としない深層学習モデルが、高解像度組織画像で高い分類精度を達成できるか。
• RQ2 組織レベルラベルで学習した注目メカニズムを用いたモデルの性能は、ROIアノテーションで学習したスライディングウィンドウ手法と比べてどうか。
• RQ3 グリッドベースの注目メカニズムは、監視なしに全身スライド画像内での診断的関連領域を効果的に局在化できるか。
• RQ4 提案手法は、診断精度を維持または向上させながら、アノテーション負荷を軽減できるか。

主な発見

• 提案された注目メカニズムを用いたモデルは、123枚のテスト画像において平均正答率0.83を達成し、バーレット食道および食道腺がんの分類において優れた性能を示した。
• モデルの性能は、大量のROIアノテーションを必要とした最先端のスライディングウィンドウ手法と同等またはそれを上回った。
• 本手法により、地域の注目領域アノテーションの必要性が排除され、アノテーション作業の負荷と複雑さが顕著に軽減された。
• 注目メカニズムは、監視なしに診断的関連組織パターンを効果的に局在化できた。これは、デジタル病理学における弱教師あり学習の可能性を示している。
• 結果から、注目メカニズムを用いたフレームワークは、組織レベルラベルのみを用いて全身スライド画像分類に有効であることが示され、臨床病理学分野への広範な応用が可能であると考えられる。