[论文解读] A Unified Framework for Tumor Proliferation Score Prediction in Breast Histopathology

Kyunghyun Paeng, Sangheum Hwang+2 more|arXiv (Cornell University)|Dec 21, 2016

AI in cancer detection参考文献 14被引用 7

一句话总结

本文提出了一套统一的、全自动的框架，用于预测乳腺癌组织病理学全切片图像（WSIs）中的肿瘤增殖评分，整合了组织区域提取、染色归一化、基于深度学习的有丝分裂检测（采用基于ResNet的DCNN）以及SVM回归。该系统在有丝分裂计数评分任务上取得了0.567的二次加权Cohen’s kappa，在分子数据评分任务上取得了0.617的Spearman相关系数，达到当前最先进水平，并在2016年肿瘤增殖评估挑战赛中获得第一名。

ABSTRACT

We present a unified framework to predict tumor proliferation scores from breast histopathology whole slide images. Our system offers a fully automated solution to predicting both a molecular data-based, and a mitosis counting-based tumor proliferation score. The framework integrates three modules, each fine-tuned to maximize the overall performance: An image processing component for handling whole slide images, a deep learning based mitosis detection network, and a proliferation scores prediction module. We have achieved 0.567 quadratic weighted Cohen's kappa in mitosis counting-based score prediction and 0.652 F1-score in mitosis detection. On Spearman's correlation coefficient, which evaluates predictive accuracy on the molecular data based score, the system obtained 0.6171. Our approach won first place in all of the three tasks in Tumor Proliferation Assessment Challenge 2016 which is MICCAI grand challenge.

研究动机与目标

• 开发一种完全自动化的系统，用于从乳腺癌全切片图像（WSIs）中预测肿瘤增殖评分。
• 通过减少病理科医生手动有丝分裂计数的主观性和不可重复性，解决相关问题。
• 在一个端到端的统一框架中，整合有丝分裂检测与增殖评分预测。
• 在基于有丝分裂计数和基于分子数据的增殖评分预测任务中均实现高性能。
• 在真实世界挑战环境（MICCAI 2016年肿瘤增殖评估挑战赛）中验证系统性能。

提出的方法

• 系统通过Otsu方法和二值膨胀处理，从全切片图像中提取组织区域和图像块。
• 基于CellProfiler的细胞密度估计选择感兴趣区域（ROIs），每张切片优先选取细胞密度最高的30个图像块。
• 采用[9]中提出的方法对ROIs图像块进行染色归一化，参数设置为α=1.0和β=0.15，以减少切片间的差异性。
• 采用两阶段训练流程优化基于深度学习的有丝分裂检测网络：首先在初始数据上进行训练，然后使用10万个增强的假阳性样本进行微调，以减少假阳性。
• 有丝分裂检测网络基于ResNet架构，包含6个或9个残差块，并转换为全卷积网络，以支持全切片图像级别的推理。
• 从有丝分裂计数和空间统计中提取的特征向量输入SVM进行最终的增殖评分预测，通过10折交叉验证进行超参数调优。

实验结果

研究问题

• RQ1 统一的深度学习框架是否能在全切片图像中同时实现高精度的有丝分裂检测与增殖评分预测？
• RQ2 集成自动化的ROI选择与染色归一化是否能提升有丝分裂检测与评分预测的准确性？
• RQ3 在乳腺癌全切片图像中，有丝分裂计数与基于分子数据的增殖评分之间的相关性如何？
• RQ4 在标准化挑战赛环境中，完全自动化的系统是否能超越半自动或人工引导的方法？
• RQ5 哪些图像特征对肿瘤增殖评分最具预测力？这些特征是否与已知的生物标志物一致？

主要发现

• 在测试集上，该系统在有丝分裂检测任务中取得了0.652的F1得分，优于挑战赛中其他团队的表现。
• 基于有丝分裂计数的增殖评分预测在测试集上达到二次加权Cohen’s kappa为0.567，优于所有其他方法。
• 基于分子数据的增殖评分预测在测试集上达到Spearman相关系数0.617，显著优于其他方法。
• 特征选择分析表明，有丝分裂计数（特征8和14）对基于分子数据的评分具有更强的预测能力，优于细胞计数（特征15），证实了有丝分裂活动的生物学相关性。
• 与单阶段训练相比，两阶段训练流程使假阳性率降低了0.1的F1得分，提升了检测的鲁棒性。
• 该系统在MICCAI 2016年肿瘤增殖评估挑战赛的全部三项任务中均获得第一名，验证了其端到端性能。