合成支援プリトレーニングとパッチレベル特徴整合による多クラス子宮頸部病変細胞検出の蒸留

2024-05-31 Fri
合成支援の事前学習とパッチレベルの特徴アライメントによる多カテゴリ子宮頸部病変細胞検出の知識蒸留
背景と研究の意義子宮頸癌は女性の生命と健康を深刻に脅かす疾患である。国際がん研究機関（IARC）のデータによると、2020年には世界で新たに約60.4万件の子宮頸癌の症例があり、約34.2万件の死亡例があった（Sung et al., 2021）。早期診断とスクリーニングは子宮頸癌を効果的に予防し、治療することができるが、診断の遅れは深刻な合併症や生命の危険のリスクを増加させる（Schiffman, Castle, Jeronimo, Rodriguez, & Wacholder, 2007）。現在、世界各地の健康組織は、子宮頸癌予防と治療の有効な方法として早期スクリーニングを推奨している（A. C. of Obstetricians, Gynecologists et al., 2010）。液状細胞（TCT）検査は、子宮頸部異常や前癌病変を検出するための最も一般的かつ効果的なスクリーニング方法である（Davey et al., 2006）。
しかし、TCT検査プロセスにおける全視野画像（WSI）の従来の手動スライド検査方法は、時間がかかり、誤りが生じやすく、検査者間の診断結果が大きく異なることが多い（Bengtsson & Malm, 2014）。このため、細胞学者が効率的かつ正確に子宮頸部病理画像を解析し、客観的な診断を実現するために、子宮頸部細胞の自動解析方法の開発が急務となっている。
臨床の観点からは、子宮頸部TCTスクリーニングの主な目標はWSI画像中の子宮頸部病変細胞を検出し、Bethesda（TBS）システムルールに基づいてそれを異なる病変段階に分類することである（Nayar & Wilbur, 2017）。しかし、WSI画像のサンプル数が膨大であるため、子宮頸部細胞検出の初期段階では高い感度が求められ、異常細胞を見逃す危険性を防ぐことが後続の解析にとって非常に重要である（Zhou et al., 2021）。
近年、深層学習技術の進展により、子宮頸部病変細胞検出の効率が著しく向上した。例えばFaster R-CNN（Ren et al., 2015）、RetinaNet（Lin et al., 2017）など。しかし、これらの方法には依然として問題が残る。例えば不完全なアノテーション、クラスの不均衡、および細胞間の文脈情報の利用不足などが挙げられる（Zhang, Liu, et al., 2019）。これらの問題を解決するために、本論文では知識蒸留に基づくフレームワークを提案しており、パッチレベルの事前学習ネットワークを用いて画像レベルの検出ネットワークの訓練を指導することを目指している。
出典の紹介本論文「Distillation of Multi-Class Cervical Lesion Cell Detection via Synthesis-Aided Pre-Training and Patch-Level Feature Alignment」は、上海交通大学バイオメディカルエンジニアリング学院のManman Fei、Zhenrong Shen、Zhiyun Song、Xin Wang、Linlin Yao、Xiangyu Zhao、Lichi Zhang（*通信作者）および上海科学技術大学バイオメディカルエンジニアリング学院のMaosong Cao、Qian Wangの合作によるもので、2024年に「Neural Networks」誌に発表された。
研究の詳細研究フロー本研究は複数の重要なステップと方法を含む：
パッチレベルのバランス事前学習モデル（BPM）の設計：
この研究では、バランス事前学習モデル（Balanced Pre-Training Model，BPM）と呼ばれるパッチレベルの子宮頸部細胞分類モデルを提案した。画像合成モデルを使用してクラスバランスの取れたパッチデータセットを構築し、事前学習を行った。
CellGANを使用して合成データを生成し、トレーニングデータのクラス分布をバランスさせ、クラスの不均衡問題を緩和した。
トレーニングプロセスは二段階に分かれ、最初に合成データを用いて初期トレーニングを行い、その後に実データを用いてモデルを微調整した。
スコア補正損失（SCL）：
スコア補正損失（Score Correction Loss, SCL）を設計し、検出ネットワークがBPMモデルから知識を蒸留することを可能にし、不完全なアノテーションの問題を軽減した。
SCLは検出モデルの信頼スコアを補正することを目的としており、BPMが予測したパッチスコアと検出ネットワークの出力スコアを比較することでこれを実現した。
パッチ関連性一貫性戦略（PCC）：
パッチ関連性一貫性（Patch Correlation Consistency, PCC）戦略を設計し、細胞の関連情報を利用して、検出プロセスにおける特徴の表現を強化した。
PCCは検出ネットワークとBPMネットワークが抽出した特徴間の一貫性を計算することで細胞間の文脈関係を捉えた。
主な結果実験結果本研究で提案した方法の優れた性能は、公共および民間のデータセットで検証された：
ComparisionDetectorデータセット：
このデータセットには7410枚の子宮頸部細胞病理画像が含まれている。実験結果は、この蒸留フレームワークを組み込んだDINO検出器が満足のいく結果を達成したことを示し、平均精度（AP）は24.6、AP@0.5は44.7、AP@0.75は23.6、平均召喚率（AR）は46.6であった。
既存の最適な方法と比較して、提案した方法はAP、AP@0.5、AP@0.75、およびARのそれぞれで4.0、3.2、5.9、8.5ポイントの向上を達成した。
DSTデータセット：
このデータセットは協力病院から提供され、WSIから切り取られた1024×1024ピクセルの画像3807枚が収録されている。実験結果は、提案した方法を組み込んだDINO検出器が優れたパフォーマンスを示し、APは15.4、AP@0.5は26.3、AP@0.75は16.5、ARは45.1であった。
元々のDINOモデルと比較して、提案した方法はAP、AP@0.5、AP@0.75、およびARのそれぞれにおいて顕著な改善を示した。
消去実験各構成部分の有効性を検証するために、一連の消去実験が実施された。研究結果はバランス事前学習モデル（BPM）、スコア補正損失（SCL）、およびパッチ関連性一貫性戦略（PCC）の各要素がそれぞれ重要な役割を果たしていることを示している。特に合成データを組み合わせたBPMモデルは分類ネットワークの精度を向上させ、検出モデルの全体的な精度を強化した。
結論と意義本論文で提案した新しい蒸留フレームワークは、子宮頸部細胞検出におけるいくつかの重要な問題を解決している。パッチレベルの分類ネットワークとスコア補正およびパッチ関連性戦略を組み合わせることにより、提案した方法は多カテゴリ子宮頸部病変細胞検出における既存の検出器の性能を大幅に向上させた。これは科学的に重要な価値があるだけでなく、実際の臨床応用における子宮頸癌の大量スクリーニング方法のさらなる発展にも寄与する。
研究のハイライト新規な蒸留フレームワーク：パッチレベルの分類ネットワークを用いて画像レベルの検出ネットワークの訓練を指導し、蒸留方法において子宮頸癌細胞分類ネットワークを初めて組み込んだ。
複数の問題を解決：不完全なアノテーション、クラスの不均衡、および細胞間関係の未利用などの問題を効果的に解決。
柔軟な汎用性：この方法は様々な検出器に無縁に適用でき、推論段階でその構造を変更する必要がない。
本論文の研究成果は、提案された方法を用いた子宮頸部異常細胞検出が検出精度を向上させるだけでなく、実際の臨床応用に貴重な技術的サポ