[論文レビュー] SFCN-OPI: Detection and Fine-grained Classification of Nuclei Using Sibling FCN with Objectness Prior Interaction

Yanning Zhou, Qi Dou+3 more|arXiv (Cornell University)|Dec 22, 2017

AI in cancer detection参考文献 12被引用数 12

ひとこと要約

本稿では、動的オブジェクトネスプライアーアクションを伴う兄弟畳み込みニューラルネットワークを用いて、細胞核の検出と細分化分類を統合的に実行するエンドツーエンドの深層学習フレームワーク、SFCN-OPIを提案する。早期特徴の共有と、オブジェクトネスプライアを介した検出と分類ブランチ間の双方向的知識移動により、最先端の性能を達成し、結腸がん組織像データセットにおいて分類のF1スコアを0.742まで向上させ、従来手法を大きく上回った。

ABSTRACT

Cell nuclei detection and fine-grained classification have been fundamental yet challenging problems in histopathology image analysis. Due to the nuclei tiny size, significant inter-/intra-class variances, as well as the inferior image quality, previous automated methods would easily suffer from limited accuracy and robustness. In the meanwhile, existing approaches usually deal with these two tasks independently, which would neglect the close relatedness of them. In this paper, we present a novel method of sibling fully convolutional network with prior objectness interaction (called SFCN-OPI) to tackle the two tasks simultaneously and interactively using a unified end-to-end framework. Specifically, the sibling FCN branches share features in earlier layers while holding respective higher layers for specific tasks. More importantly, the detection branch outputs the objectness prior which dynamically interacts with the fine-grained classification sibling branch during the training and testing processes. With this mechanism, the fine-grained classification successfully focuses on regions with high confidence of nuclei existence and outputs the conditional probability, which in turn benefits the detection through back propagation. Extensive experiments on colon cancer histology images have validated the effectiveness of our proposed SFCN-OPI and our method has outperformed the state-of-the-art methods by a large margin.

研究の動機と目的

• 既存手法が細胞核の検出と細分化分類を独立したタスクとして扱い、それらの内在的相互依存性を無視しているという限界を是正すること。
• 高内外的・内的クラス分散を示す低品質なヒストパスロジー画像における、小さな、形態的に多様な細胞核の検出における精度と頑健性の向上。
• 検出と分類の間で動的特徴相互作用を可能にする、相互強化を実現する統合的エンドツーエンドの深層学習フレームワークの開発。
• 検出ブランチからのオブジェクトネスプライアを活用し、分類ブランチの局在化と分類精度を向上させること。
• 実世界の結腸腺がん組織像データセットを用いた、オブジェクトネスプライア相互作用を伴う統合学習の有効性の検証。

提案手法

• 検出と分類のためのタスク固有ブランチを備えた、初期層で特徴抽出を共有する兄弟畳み込みニューラルネットワーク（SFCN）アーキテクチャを採用する。
• 検出ブランチは、細胞核の存在確率を示すオブジェクトネスマップを出力し、これを分類ブランチをガイドする動的プライアとして用いる。
• オブジェクトネスプライアは、検出の信頼度に基づいて特徴マップを調整する学習可能なインタラクションモジュールを通じて分類ブランチに統合される。
• 学習段階では、分類ブランチがバックプロパゲーションによりフィードバックを提供し、検出と分類の目的関数を統合した共同損失関数を通じて検出ブランチが最適化される。
• エンドツーエンドの学習により、共有勾配とプライアに基づく注目メカニズムを通じて、検出と細分化分類の間で相互最適化が可能になる。
• 本手法は結腸がん組織像データセットで評価され、アブレーションスタディによりOPI機構と共同学習の貢献が確認された。

実験結果

リサーチクエスチョン

• RQ1 独立したモデルの訓練とは対照的に、細胞核の検出と細分化分類の統合学習は性能向上に寄与するか？
• RQ2 検出ブランチからのオブジェクトネスプライアの動的相互作用は、細分化分類の精度をどのように向上させるか？
• RQ3 密に配置された、または形態的に異常を示す細胞が存在する困難な領域において、提案されたオブジェクトネスプライア相互作用機構は、誤検出（ハードフェイルポジティブ）をどれほど低減するか？
• RQ4 統合されたSFCN-OPIフレームワークは、結腸がん組織像における検出と分類の両タスクで最先端の手法を上回るか？
• RQ5 検出と分類ブランチのエンドツーエンド共同最適化は、逐次的またはパイプライン型アプローチと比較して、頑健性と一般化性能において優れているか？

主な発見

• SFCN-OPIは細分化分類でF1スコア0.742を達成し、以前の最先端手法であるSC-CNN（0.692）を大きく上回った。
• 特に密な配置や形態的に不規則な領域において、検出におけるハードフェイルポジティブが低減されたことが、他のネットワークとの定性的比較で示された。
• オブジェクトネスプライア相互作用機構により、分類ブランチは高信頼度の細胞核領域に注目でき、上皮細胞核や雑多な細胞核といった困難なサブカテゴリの同定が向上した。
• SFCN-OPI-2は、SR-CNNおよびSC-CNNよりも優れた分類性能を示し、OPIを用いた共同学習の優位性を実証した。
• アブレーションスタディにより、OPI機構とエンドツーエンド共同学習が、特に小さなまたは多様な細胞核の処理において顕著な性能向上に寄与していることが確認された。
• オブジェクトネスプライアに誘導された注目メカニズムのおかげで、染色が不十分でぼやけた構造を示す低品質なヒストパスロジー画像に対しても、優れた頑健性を示した。