[论文解读] Classification of Histopathology Images of Lung Cancer Using Convolutional Neural Network (CNN)

Neha Baranwal, Preethi Doravari+1 more|arXiv (Cornell University)|Dec 27, 2021

AI in cancer detection被引用 8

一句话总结

本研究提出一种基于深度学习的方法，采用ResNet50、VGG-19、Inception-ResNet-V2和DenseNet对肺部癌组织病理学图像进行正常、腺癌和鳞状细胞癌的三分类。该方法采用三元组损失以增强特征判别能力，在H&E染色切片中实现了高准确率，有效区分癌症亚型，从而支持更快、更准确的诊断，减轻病理科医生的工作负担。

ABSTRACT

Cancer is the uncontrollable cell division of abnormal cells inside the human body, which can spread to other body organs. It is one of the non-communicable diseases (NCDs) and NCDs accounts for 71% of total deaths worldwide whereas lung cancer is the second most diagnosed cancer after female breast cancer. Cancer survival rate of lung cancer is only 19%. There are various methods for the diagnosis of lung cancer, such as X-ray, CT scan, PET-CT scan, bronchoscopy and biopsy. However, to know the subtype of lung cancer based on the tissue type H and E staining is widely used, where the staining is done on the tissue aspirated from a biopsy. Studies have reported that the type of histology is associated with prognosis and treatment in lung cancer. Therefore, early and accurate detection of lung cancer histology is an urgent need and as its treatment is dependent on the type of histology, molecular profile and stage of the disease, it is most essential to analyse the histopathology images of lung cancer. Hence, to speed up the vital process of diagnosis of lung cancer and reduce the burden on pathologists, Deep learning techniques are used. These techniques have shown improved efficacy in the analysis of histopathology slides of cancer. Several studies reported the importance of convolution neural networks (CNN) in the classification of histopathological pictures of various cancer types such as brain, skin, breast, lung, colorectal cancer. In this study tri-category classification of lung cancer images (normal, adenocarcinoma and squamous cell carcinoma) are carried out by using ResNet 50, VGG-19, Inception_ResNet_V2 and DenseNet for the feature extraction and triplet loss to guide the CNN such that it increases inter-cluster distance and reduces intra-cluster distance.

研究动机与目标

• 为解决早期且准确分类肺部癌亚型的迫切需求，以改善预后和治疗方案制定。
• 通过自动化分析H&E染色的组织病理学切片，减轻病理科医生的诊断负担。
• 评估多种预训练卷积神经网络架构（ResNet50、VGG-19、Inception-ResNet-V2、DenseNet）在分类肺部癌组织学图像方面的性能。
• 应用三元组损失以优化特征嵌入空间，通过增大类间距离并减小类内距离来提升特征判别能力。

提出的方法

• 利用迁移学习，采用四个预训练的卷积神经网络模型（ResNet50、VGG-19、Inception-ResNet-V2、DenseNet）从H&E染色的肺部组织病理学图像中提取特征。
• 在训练过程中应用三元组损失，以优化特征嵌入，使同一类别的特征更接近，而不同类别的特征更远离。
• 在标注为正常、腺癌或鳞状细胞癌的组织病理学图像数据集上训练模型。
• 采用三元组挖掘策略，在训练过程中选择困难的负样本对和正样本对，以提升模型的泛化能力。
• 使用全局平均池化和最终的分类层，预测三种肺部癌亚型。
• 使用标准指标（如准确率、精确率、召回率和F1分数）在独立的测试集上评估模型性能。

实验结果

研究问题

• RQ1 预训练的卷积神经网络能否有效对H&E染色的肺部癌组织病理学图像进行亚型分类？
• RQ2 三元组损失在分类肺部癌组织学图像时，如何提升卷积神经网络特征的判别能力？
• RQ3 在ResNet50、VGG-19、Inception-ResNet-V2和DenseNet中，哪一种模型在区分肺组织中的正常、腺癌和鳞状细胞癌方面表现最佳？
• RQ4 三元组损失在多大程度上减少了学习特征空间中的类内差异并增强了类间分离？
• RQ5 所提出的方法能否缩短诊断时间，并支持病理科医生实现肺部癌亚型的早期且准确分类？

主要发现

• 所提出的方法在所有四种卷积神经网络架构中均实现了高分类准确率，其中ResNet50表现最佳。
• 三元组损失显著提升了特征判别能力，使嵌入空间中三种肺部癌亚型的分离更加清晰。
• 采用三元组损失训练的模型相比无三元组损失的基线模型，F1分数更高，类内方差更低。
• 在所评估的模型中，ResNet50在区分正常、腺癌和鳞状细胞癌组织方面达到了最高准确率。
• 三元组损失的引入增强了模型的鲁棒性，尤其在处理癌亚型之间细微的组织学差异方面表现突出。
• 结果表明，结合三元组损失的深度学习方法在肺部癌组织病理学图像的自动化、高精度和高效分类方面具有广阔前景。