Detecting Cancer Metastases (암 전이 발견 )

이번 1월 20일부터 서울 아산병원에서 주최하는 의료인공지능 개발 콘테스트에 참가하게 되었다. 총 4개의 주제 중 콘테스트2-2, “병리조직 슬라이드에서 유방암 전이의 여부를 판정” 하는 task를 밭았다. 이와 관련해서 관련 자료를 찾아보던 중 Camelyon16에서 “detection of cancer metastasis”의 같은 주제로 대회를 열었었고, 그 중 우수작 및 관련 논문을 더 탐색하다 오늘 글의 논문인 “Detecting Cancer Metastases on Gigapixel Pathology Images”를 발견했다. 일단 콘테스트 전 간단히 모델을 만들어볼 필요를 느껴 이 논문을 읽게 되었다.

참고자료

논문

0. Abstract

매년, 미국에서는 230,000 명의 유방암환자에 대한 치료의 결정은 유방으로부터 다른 조직으로 전이가 되었는지의 여부에 전적으로 달려있다. 병리학자들은 전이의 발견을 위해 많은 시간과 노력을 쏟지만 이 과정은 여전히 강도높은 노동이며 error, 오진이 나오기도 한다.

우리는 이런 task를 CNN의 구조와 Camelyon16에서 sota의 결과들을 가져와 97% 이상의 AUC 점수와 카Camelyon16의 training set에서 2개의 잘못 라벨링된 데이터(086,144)를 발견했다. 또 우리의 접근은 FN(false negative)를 줄였다.

1. Intruduction

이 논문의 핵심 요약은 다음과 같다.

CNN , Inception V3
careful image patch sampling
careful data augmentation

We also found that several approaches yielded “NO” benefits

(1) multi-scale apporach
(2) pre-training model the model on ImageNet image Recognition
(3) color normalization

2. Methods

2-1. Inception V3

인셉션 V3 구조를 사용, input size는 299x299. 각 인풋 패치에서 중심 128 x 128 영역의 라벨을 예측한다. 각 패치의 라벨들은 중심 영역에서 적어도 한 픽셀이 종양이라고 라벨링(annotated)되어 있다면 종양이라고 라벨링한다.

또, 파라미터 수(filter 수)를 줄여 가며 # of parameter가 주는 영향을 실험했다(depth_multiplier=0.1 In TF). 멀티 스케일은 별로 효과가 없었으므로 우리는 2개의 크기(멀티스케일된 크기)만 사용.

2-2. Sampling

슬라이드당 90,000개(median)의 ‘normal’ 패치와 2,000(median)개의 ‘tumor’종양 패치가 나왔는데 대략 이 둘의 비율은 2%밖에 되지 않는다. 따라서 이런 언밸런스를 해결하기 위해 sampling을 필수적으로 거치는데,

먼저 ‘normal’과 ‘tumor’를 같은 확률로 뽑고
그 라벨의 패치들을 가지고 있는 슬라이드를 랜덤하게 뽑고
그 슬라이드에서 패치들을 샘플링한다.

(훈련중에 나타나는 패치수들을 한정적으로 만들지 않기 위해)

2-3. Data Augmentations

4 multiples of 90˚ rotations. + left-right flip (8 orientations)
perturb color : (maximum delta)
- brighteness 64/255,
- saturation 0.25,
- hue 0.04
- contrast 0.75
Jitter : up to 8 pixels.
pixel values clipped [0,1], and scaled [-1,1]

2-4. Prediction

We run inference across the slide in a sliding window with a stride of 128 to match the center region’s size.

obtain predictions for each of the 8 orientations (rotate, left-right flip), and avg.

2-5. Implementations Details

batch size = 32
RMSProp , momentum 0.9, decay 0.9, $\epsilon$ = 1.0
initial lr = 0.05, 0.5 decay every 2 M ex.
for refining a model pretrained on ImageNet, initial lr = 0.002

( FROC Metric check)

Taeu Kim

Life is balance

Taeu

[논문] Detecting Cancer Metastases on Gigapixel Pathology Images 분석