[論文レビュー] Convolutional neural network classification of cancer cytopathology images: taking breast cancer as an example

Mingxuan Xiao, Yufeng Li+3 more|arXiv (Cornell University)|Apr 12, 2024

AI in cancer detection被引用数 5

ひとこと要約

この論文は、BreaKHisデータセット上で、転移学習を用いたInception-V3と四分木（クアドツリー）ベースの画像分割を用いて、乳がんの細胞診画像を分類（良性 vs 悪性）し、倍率を問わず精度を0.92超で達成している。

ABSTRACT

Breast cancer is a relatively common cancer among gynecological cancers. Its diagnosis often relies on the pathology of cells in the lesion. The pathological diagnosis of breast cancer not only requires professionals and time, but also sometimes involves subjective judgment. To address the challenges of dependence on pathologists expertise and the time-consuming nature of achieving accurate breast pathological image classification, this paper introduces an approach utilizing convolutional neural networks (CNNs) for the rapid categorization of pathological images, aiming to enhance the efficiency of breast pathological image detection. And the approach enables the rapid and automatic classification of pathological images into benign and malignant groups. The methodology involves utilizing a convolutional neural network (CNN) model leveraging the Inceptionv3 architecture and transfer learning algorithm for extracting features from pathological images. Utilizing a neural network with fully connected layers and employing the SoftMax function for image classification. Additionally, the concept of image partitioning is introduced to handle high-resolution images. To achieve the ultimate classification outcome, the classification probabilities of each image block are aggregated using three algorithms: summation, product, and maximum. Experimental validation was conducted on the BreaKHis public dataset, resulting in accuracy rates surpassing 0.92 across all four magnification coefficients (40X, 100X, 200X, and 400X). It demonstrates that the proposed method effectively enhances the accuracy in classifying pathological images of breast cancer.

研究の動機と目的

• 病理医の時間と専門知識への依存を減らすことを目的に、乳がん細胞診画像分類を加速・自動化する。
• 高解像度の病理画像から特徴を抽出するため、転移学習を用いたInception-V3を活用する。
• 高解像度画像を扱うため、クアドラツリーベースの画像分割を導入し、各画像から複数のブロックを生成する。
• ブロックレベルの予測を画像レベルおよび患者レベルの結果に集約するため、和、積、最大の融合ルールを検討する。

提案手法

• 画像を299x299へリサイズし、最後の2つの全結合層を削除した後、Inception-V3を特徴抽出器として用いる。
• 計算量を削減するため、微調整を行わずImageNet pretrainedの重みを使用する固定重み転移学習アプローチを適用する。
• 各画像の最後のプーリング層から1x2048の特徴ベクトルを抽出し、SoftMax活性化を持つ2層の全結合分類器（512および2ノード）へ入力する。
• クアドラツリー分割によるデータ増強で、元画像ごとに4つおよび16個のサブ画像を作成し、データセットサイズをそれぞれ4倍および16倍に増加させる。
• サブ画像の予測を和、積、最大のルールで融合して最終的な画像診断を得る。

実験結果

リサーチクエスチョン

• RQ1 クアドラツリー基盤の画像分割は乳がん組織病理分類の精度にどう影響するか？
• RQ2 画像レベルおよび患者レベルの分類のための、ブロックレベル予測の集約に対する異なる融合アルゴリズム（和、積、最大）の影響は何か？
• RQ3 転移学習を用いたCNNベースのアプローチは、BreaKHisでの乳がん組織病理画像分類において従来の手動特徴抽出を上回るか？

主な発見

• 分割されたブロックと融合を使用した場合、40X、100X、200X、400Xのすべての倍率で精度0.92超を達成。
• 分割によって、非分割画像と比較して画像レベルの精度が2.0%から4.4%向上。
• 分割によって、非分割画像と比較して患者レベルの精度が0.9%から4.9%向上。
• 4分割分割は、ほとんどのケースで16分割よりも優れていた（79.2%の事例で）。
• 文献のいくつかのベースラインと比較して、提案された分割と融合を用いたCNNベースのアプローチは、画像認識精度を大幅に改善し（例として、従来法のいくつかより最大で約12%向上）。