ななめ読み
- 九州大学、国立情報学研究所(NII)らの研究グループによる論文。
- 病理医による病理画像観察方法を模倣したCNNの提案、およびそのモデルを用いた病変分類と病変セグメンテーション。
- セグメンテーション精度は従来の研究結果よりも高い精度に到達した。

---

今回は病理画像を題材にした最新論文『Adaptive Weighting Multi-Field-of-View CNN for Semantic Segmentation in Pathology』を紹介します。この研究のタスクは、病理画像の病変セグメンテーションと病変分類です。

本研究のキーポイントは「病理画像の観察方法を模倣したCNN（畳み込みニューラルネットワーク）の考案」という点です。これは、「病理医は部位によって拡大倍率を変えて観察している」という行為に着目したものです。これをCNNで再現するために、「複数の倍率画像を用いる」、「観察する部位によって重要な視野や解像度を変えている」という仮説を立て、それらを模倣するCNN(Adaptive-Weighting-Multi-Field-of-View CNN / AWMF-CNN )を考案しました。

この研究では病理画像を腫瘍部(浸潤性腺癌)と正常部の2クラスにセグメンテーションし、さらに腫瘍部を置換型と腺房/乳頭型、微小乳頭型、充実型の4クラスにセグメンテーションしています。

工程を詳しく書くと
① 倍率が異なる3種類の入力画像を3種類のExpert CNN(U-Netベース)に入力し，入力画像に対するセグメンテーション(腫瘍部と正常部)を行う
② Expert CNNより出力されたセグメンテーション画像と正解アノテーション画像を用いてDice係数(セグメンテーション度合い)を算出
③ ①により出力された3種類の画像に、②により算出された値を付与し、どの画像を注力して見るべきかを推測させ、3種類の画像を結合する。これにより倍率が異なる画像情報をすべて加味し、さらにどの倍率を重点的に見るべきかが考慮されたセグメンテーション結果(腫瘍部と正常部)を出力
④ ③にて出力された画像をXceptionベースの分類モデルを用いて、腫瘍部のみをさらに4種類の腺癌に分類する
となります。

実験に使用したデータはヘマトキシリン・エオジン染色キットを用いた最大40倍率の29枚の病理画像で、29人の患者から採取されています。画像のサイズは最大5万4000×10万8000ピクセルで、病理医によって正常部、腫瘍部(置換型、腺房/乳頭型、微小乳頭型、充実型)の5クラスにアノテーションされています。この画像から256×256ピクセルサイズの画像に切り出し、2クラスセグメンテーション(腫瘍部or正常部)に用いた画像は16万7766枚、4クラスセグメンテーション(置換型、腺房/乳頭型、微小乳頭型、充実型)に用いた画像は2万848枚でした。

実験の評価項目として「全ピクセルからの正解率」、「各クラスでの平均正解率」、「正解ラベルとセグメンテーション結果の重なり度合い」の3つを用いています。結果として本手法は、従来のセグメンテーションタスクにおける最高精度の実験よりも高い精度を達成しました。

この論文は6/16-20に開催された「CVPR（Computer Vision & Pattern Recognition）」という情報学分野の世界トップカンファレンスに採択されました。CVPRで発表される研究は情報学分野、とりわけパターン認識やコンピュータビジョンといった画像領域の学問をさらに進歩させた研究が取り上げられるため、世界中の研究者が目指す世界最高峰の学会です。毎年盛大に国際学会が催されることでも有名です。

4回目も見ていただきありがとうございました。病理画像、九州大学と言えば個人的には九州大学発スタートアップであるメドメインが脳裏に浮かびました。また日本病理学会が主導して動いているAI構想などもあります。またその辺りもいつかまとめてみたいと思います！