유방암 진단 딥러닝 모델 구현

본 글은 서울 아산병원과 카카오브레인에서 주최하는 HeLP Challenge 의 2-2. Breast cancer Metastasis Detection 의 모델을 구현하기 위해 고려했던 사항들이다.

1. Whole Process Sketch

Breast Cancer Metastasis Detection Model의 전반적인 스케치는 다음과 같다.

다음은 각 과정에서 고려했던 혹은 고려해야할 세부사항들이다.

[1-1] Sampling 전 슬라이드 데이터 분석

train.py에서 170번째 줄 ~ 203번째 줄까지

data analysis python 을 작성해 docker 이미지 올린 결과 아래와 같음
- num of slide = 157
- total num of patches(patch size = 256, all tumor 기준) = 4,000,000
- total num of tumor patches = 600,000
- non tumor : tumor = 5.8 : 1
sampling
- 1 : 1 = positive slide patches : negative slide patches
- 1 : 1 : 2 = positive tumor patches : positive non-tumor patches : negative patches

[1-2] Training patches

model.py 에서 find_patches_from_slide()

tissue check
- grey 변환 검정색 걸러내고
- ostu method 통해 남은 흰색 배경 걸러냄
tumor check
- positive 경우에만 고려
- mask가 이미 1/16 이 되었기 때문에 mask는 patch_size/16 만큼만, 원 slide는 lv 0에서 patch_size 만큼 level down. (256 기준 slide는 level 8, truth_mask 는 level 4)
- all tumor 만 고려. mask된 비율이 차이가나므로 원본 데이터와 비교했을 때 정확하게 masking 되지 않는 문제 발생. 따라서 all tumor(모든 영역이 tumor 인 patch만 고려해줘야함)
- 256 기준으로 약 약 25개의 slide의 tumor patch 개수가 100개 미만, 그 중 10개정도는 0개. 이 부분에 대해서는 128 size로 patch를 조정해 tumor patch를 더 확보하는 방안도 있음
각 기록된 것의 loc 가져 오기
return all_tissue_samples

train.py에서 gen_imgs()

model.py에 구현된 inceptionV3, simple, unet 참고

inference.py 부분 참고

5000 patch samples from slide (정확도는 조금 낮추더라도 빨리 inference하기위해)
in each patch, find max value in 128 x 128, center area of patch (google 17 paper)
obtain max value of them (5000 samples)
ensemble simple model and InceptionV3 model

data augmentation
- color
- hue
- contrast
: using PIL Image.enhace 였던가
- elastic deformation
: 몇 번 hyperparameter 바꿔봤지만 잘 수렴이 안되길래 시간 상 pass
patch_size
- 512 x 512 (너무 느리게 학습돼서 포기)
- model_inception_1-512.ipynb, model_simple_512.ipynb.
flow_from_directory

docker-simple-final
- 학습 속도를 높이기 위해, sampling한 이미지들을 저장하고 directory에서 학습하는 방식을 적용
- 다른 조건은 동일한데 메모리상에 올려놓고 할 때와 달리 loss가 그 만큼 빨리 안 떨어짐..
- 구현했을 당시 시간이 4일정도밖에 안 남아서 더 개선 안하고 원래 잘 됐던 모델로 training
잘못 sampling 한 model

docker-simple-3
- 학습 속도 개선위해 4개 슬라이드씩 묶어서 미리 열어두고 학습을 진행했는데, 마지막에 슬라이드 4개에 overfitting 될 가능성 있어서 변경함

Life is balance