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

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 Slide

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 Slide

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 Slide

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 Slide

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 Slide

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 Slide

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 Slide

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

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

Masanori YANO

More Decks by Masanori YANO

Other Decks in Science

Featured

Transcript