Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Y-Net: Joint Segmentation and Classification for Diagnosis of Breast Biopsy Images

Masanori YANO
November 21, 2019

Y-Net: Joint Segmentation and Classification for Diagnosis of Breast Biopsy Images

論文LT会で作成した「Y-Net: Joint Segmentation and Classification for Diagnosis of Breast Biopsy Images」の説明資料です。

Masanori YANO

November 21, 2019
Tweet

More Decks by Masanori YANO

Other Decks in Science

Transcript

  1. 画像処理&機械学習 論文LT会 #8
    Y-Net: Joint Segmentation and Classification
    for Diagnosis of Breast Biopsy Images
    2019年11月21日(木)
    矢農 正紀 (Masanori YANO)

    View full-size slide

  2. 論文
    2
    標題
    Y-Net: Joint Segmentation and Classification
    for Diagnosis of Breast Biopsy Images
    論文のURL: https://arxiv.org/abs/1806.01313
    公式ページ: https://sacmehta.github.io/YNet/
    ⇒ 生検画像からの乳がん診断の論文で、MICCAI 2018採択
    First Authorの所属は、アメリカ西海岸のワシントン大学
    選んだ理由
    ・とある論文の、参考文献に「deep y-net」の存在を確認
    (「Foreground-aware Image Inpainting」の、参考文献[1]の論文)
    ・検索するとY-Net論文が複数あったが、目的の論文は不明
    ・でも、本論文もアプローチが興味深かったため紹介

    View full-size slide

  3. U-Netと本論文のY-Net
    3
    U-Netとは
    ・セグメンテーションの手法で、MICCAI 2015で発表
    ・全結合層なし、スキップ接続(Concatenate)あり
    本論文のY-Net
    ・エンコーダーから分岐し、全結合層を通してクラス分類
    ・もとのU-Netに、さらにスキップ接続を追加(図の点線)

    View full-size slide

  4. 本論文で使用したデータセット
    4
    生検画像による乳がん診断のデータセット
    ・240枚のH&E染色を行った生検画像の全体(WSI)を使用
    ・病理医が4種類の診断カテゴリにラベル付け
    [1] 87人の病理医がランダムに割り当てられた60枚を診断
    [2] 3人のエキスパート病理医の審議によりラベルを確定
    ・病理医は428箇所のROI(region of interest)をマーク
    - そのうち58箇所のROIを8種類にセグメンテーション
    - これらのROIの平均サイズは10,000×12,000
    ・本論文では、ROIを同一サイズの「インスタンス」に分割

    View full-size slide

  5. 本論文のシステム
    5
    Y-Net構造の二つの出力を組み合わせてクラス分類
    ・インスタンスは384×384単位で、56ピクセルは重複
    ・各々のインスタンスを、Y-Net構造のネットワークに通す
    ・Y-Net構造は、セグメンテーションと確率マップを出力
    - セグメンテーションは、8種類のタイプを予測
    - 確率マップもピクセル単位で、4種類の診断結果を予測
    (ピクセル単位の最大値が、閾値より高いときだけ残す)
    ・セグメンテーションだけ学習させてから、全体を学習
    (いきなり全体を学習させた場合は、正解率が約1%低下)

    View full-size slide

  6. 本論文の主な評価結果
    6
    クラス分類による診断の正解率を7%以上改善
    ・訓練された病理医が診断したときの正解率は70.0%
    ・従来手法のSOTAだったSaliency mapでは55.0%
    ・Y-NetとDiscriminative maskの組み合わせで62.50%
    - Segmentation maskからのクラス分類より精度が向上

    View full-size slide

  7. まとめ
    7
    本論文は、生検画像からの乳がんの検出を高精度化
    ・クラス分類の正解率を、従来手法より7%以上改善
    ・ネットワークのパラメータ数は、著者の前手法の6.6分の1
    ・公式ページ: https://sacmehta.github.io/YNet/
    所感
    ・クラス分類のラベル「以外」も活用したことが興味深い
    ・病理医すごい
    ・教師データ作成大変そう

    View full-size slide