[論文レビュー] Microscopic Nuclei Classification, Segmentation and Detection with improved Deep Convolutional Neural Network (DCNN) Approaches

Md Zahangir Alom, Chris Yakopcic+2 more|arXiv (Cornell University)|Nov 8, 2018

AI in cancer detection被引用数 11

ひとこと要約

本稿では、病理的全身切片画像（WSI）において最先端の性能を達成する、改良された深層畳み込みニューラルネットワーク（DCNN）アーキテクチャ—核分類用のDCRN、セグメンテーション用のR2U-Net、検出用のUD-Net—を提案する。最近の手法と比較して、分類と検出の両方でF1スコアがそれぞれ3.4%および4.5%向上し、R2U-Netは核セグメンテーションで92.15%のDice係数を達成した。

ABSTRACT

Due to cellular heterogeneity, cell nuclei classification, segmentation, and detection from pathological images are challenging tasks. In the last few years, Deep Convolutional Neural Networks (DCNN) approaches have been shown state-of-the-art (SOTA) performance on histopathological imaging in different studies. In this work, we have proposed different advanced DCNN models and evaluated for nuclei classification, segmentation, and detection. First, the Densely Connected Recurrent Convolutional Network (DCRN) model is used for nuclei classification. Second, Recurrent Residual U-Net (R2U-Net) is applied for nuclei segmentation. Third, the R2U-Net regression model which is named UD-Net is used for nuclei detection from pathological images. The experiments are conducted with different datasets including Routine Colon Cancer(RCC) classification and detection dataset, and Nuclei Segmentation Challenge 2018 dataset. The experimental results show that the proposed DCNN models provide superior performance compared to the existing approaches for nuclei classification, segmentation, and detection tasks. The results are evaluated with different performance metrics including precision, recall, Dice Coefficient (DC), Means Squared Errors (MSE), F1-score, and overall accuracy. We have achieved around 3.4% and 4.5% better F-1 score for nuclei classification and detection tasks compared to recently published DCNN based method. In addition, R2U-Net shows around 92.15% testing accuracy in term of DC. These improved methods will help for pathological practices for better quantitative analysis of nuclei in Whole Slide Images(WSI) which ultimately will help for better understanding of different types of cancer in clinical workflow.

研究の動機と目的

• 細胞の異質性のため、組織病理画像における核の分類、セグメンテーション、検出の課題に対処すること。
• 既存手法を上回る性能を示す、核の分類、セグメンテーション、検出タスクに特化した新しい深層学習アーキテクチャの開発。
• がんの診断と臨床ワークフローの向上を目的として、Whole Slide Images（WSI）における核のより正確で定量的な解析を可能にすること。

提案手法

• 核分類のためのDensely Connected Recurrent Convolutional Network（DCRN）を提案し、特徴の学習を強化するために残差接続と密接続を統合した。
• 核セグメンテーションのためのRecurrent Residual U-Net（R2U-Net）を用い、スキップ接続と繰り返し残差ブロックを組み合わせて特徴表現を向上させた。
• R2U-Netの回帰アプローチ版として、特徴マップからバウンディングボックスを予測するUD-Netを考案した。
• モデルは、Routine Colon Cancer（RCC）およびNuclei Segmentation Challenge 2018の2つのベンチマークデータセット上で訓練および評価された。
• 精度、再現率、F1スコア、Dice係数（DC）、平均二乗誤差（MSE）、全体の正答率を用いて性能を評価した。
• アーキテクチャ設計は、複雑な組織病理学的データにおける汎化性能の向上を図るべく、特徴の再利用と階層的表現学習に重点を置いた。

実験結果

リサーチクエスチョン

• RQ1 最近のDCNNと比較して、Densely Connected Recurrent Convolutional Network（DCRN）は、病理的画像からの顕微鏡的核分類において優れた性能を達成できるか？
• RQ2 残差学習と繰り返しスキップ接続を組み合わせたR2U-Netアーキテクチャは、核セグメンテーションの正確性を向上させられるか？
• RQ3 R2U-Netの回帰アプローチ版としてのUD-Netは、核検出タスクにおいて最先端の手法を上回る性能を示せるか？
• RQ4 提案されたモデルは、ベンチマーク組織病理学的データセットにおいて、F1スコアやDice係数といった性能指標をどの程度向上させるか？
• RQ5 これらのモデルは、臨床応用におけるWhole Slide Images（WSI）における核のより信頼性があり定量的な解析を可能にするか？

主な発見

• DCRNモデルは、最近発表されたDCNNベースの手法と比較して、核分類のF1スコアが3.4%高い結果を達成した。
• UD-Netモデルは、最新のDCNNベースのアプローチと比較して、核検出のF1スコアで4.5%の向上を示した。
• R2U-Netは、核セグメンテーションにおいて、テスト精度として92.15%のDice係数（DC）を達成し、高いセグメンテーション忠実度を示した。
• 提案されたモデルは、RCCおよびNuclei Segmentation Challenge 2018の両データセットにおいて、精度、再現率、F1スコアといった複数の指標で一貫した性能向上を示した。
• 向上したアーキテクチャは、Whole Slide Images（WSI）における細胞核のより強固で正確な解析を可能にし、がん診断におけるより良い臨床意思決定を支援する。