[论文解读] A Novel Dataset and a Deep Learning Method for Mitosis Nuclei Segmentation and Classification

Huadeng Wang, Zhipeng Liu+5 more|arXiv (Cornell University)|Dec 27, 2022

AI in cancer detection被引用 4

一句话总结

本文提出 SCMitosis，一种结合深度可分离卷积残差块与通道-空间注意力门的两阶段深度学习框架，用于高召回率的有丝分裂核分割，随后通过级联分类网络进行分类。该方法在 ICPR 2012 数据集上取得 0.8687 的 F1 分数，并在新发布的 GZMH 数据集上展现出强大的泛化能力，性能优于当前最先进方法。

ABSTRACT

Mitosis nuclei count is one of the important indicators for the pathological diagnosis of breast cancer. The manual annotation needs experienced pathologists, which is very time-consuming and inefficient. With the development of deep learning methods, some models with good performance have emerged, but the generalization ability should be further strengthened. In this paper, we propose a two-stage mitosis segmentation and classification method, named SCMitosis. Firstly, the segmentation performance with a high recall rate is achieved by the proposed depthwise separable convolution residual block and channel-spatial attention gate. Then, a classification network is cascaded to further improve the detection performance of mitosis nuclei. The proposed model is verified on the ICPR 2012 dataset, and the highest F-score value of 0.8687 is obtained compared with the current state-of-the-art algorithms. In addition, the model also achieves good performance on GZMH dataset, which is prepared by our group and will be firstly released with the publication of this paper. The code will be available at: https://github.com/antifen/mitosis-nuclei-segmentation.

研究动机与目标

• 解决现有深度学习模型在有丝分裂核检测中泛化能力低的挑战。
• 提升乳腺癌组织病理学图像中分割召回率与检测准确率。
• 引入一个新公开发布的数据集（GZMH），以支持未来有丝分裂检测研究。
• 开发一种两阶段方法，以同时提升分割与分类性能。
• 提供开源代码，以促进数字病理学领域的可复现性与进一步发展。

提出的方法

• 该方法采用深度可分离卷积残差块，以高效提取多尺度特征，同时降低计算成本。
• 集成通道-空间注意力门，通过自适应重校准通道与空间维度，增强特征表示。
• 设计两阶段流程：首先进行高召回率分割；其次在分割区域上使用级联网络进行分类。
• 模型在 ICPR 2012 数据集上端到端训练，并在 ICPR 2012 与新引入的 GZMH 数据集上进行评估。
• 该架构针对高分辨率组织病理学图像中少量标注数据下的小目标检测进行了优化。
• 该框架利用注意力机制聚焦于有丝分裂核的判别区域，从而提升检测鲁棒性。

实验结果

研究问题

• RQ1 两阶段深度学习框架能否提升组织病理学图像中分裂核的分割召回率与分类准确率？
• RQ2 深度可分离卷积与通道-空间注意力的结合如何增强小目标检测的特征学习？
• RQ3 所提方法在新整理并公开发布的数据集（GZMH）上的泛化性能如何？
• RQ4 SCMitosis 在 F1 分数与跨不同数据集的鲁棒性方面，相较于最先进方法表现如何？
• RQ5 注意力机制在具有挑战性的低对比度分裂核图像上，能多大程度上提升检测性能？

主要发现

• 所提出的 SCMitosis 模型在 ICPR 2012 数据集上取得 0.8687 的 F1 分数，优于当前最先进方法。
• 该模型在新发布的 GZMH 数据集上表现出强大的泛化能力，该数据集由作者整理。
• 使用深度可分离卷积降低了模型复杂度，同时保持了高分割召回率。
• 通道-空间注意力门显著提升了特征表示，从而更有效地检测小而模糊的有丝分裂核。
• 两阶段设计有效解耦了分割与分类任务，提升了整体检测性能。
• 代码与数据集（GZMH）将在发表时一并公开，以支持可复现性与未来研究。