[论文解读] MITOS-RCNN: A Novel Approach to Mitotic Figure Detection in Breast Cancer Histopathology Images using Region Based Convolutional Neural Networks

Siddhant Rao|arXiv (Cornell University)|Jul 4, 2018

AI in cancer detection参考文献 16被引用 26

一句话总结

MITOS-RCNN 提出了一种新颖的两阶段基于区域的卷积神经网络（RCNN），专为在乳腺癌组织病理学图像中精确检测有丝分裂象而设计。通过利用多尺度特征提取和双区域提议网络，其 F1 分数达到 0.955——比先前最先进模型高出 6.11%——在临床级有丝分裂计数估计的小目标检测中展现出更优的精确率与召回率。

ABSTRACT

Studies estimate that there will be 266,120 new cases of invasive breast cancer and 40,920 breast cancer induced deaths in the year of 2018 alone. Despite the pervasiveness of this affliction, the current process to obtain an accurate breast cancer prognosis is tedious and time consuming, requiring a trained pathologist to manually examine histopathological images in order to identify the features that characterize various cancer severity levels. We propose MITOS-RCNN: a novel region based convolutional neural network (RCNN) geared for small object detection to accurately grade one of the three factors that characterize tumor belligerence described by the Nottingham Grading System: mitotic count. Other computational approaches to mitotic figure counting and detection do not demonstrate ample recall or precision to be clinically viable. Our models outperformed all previous participants in the ICPR 2012 challenge, the AMIDA 2013 challenge and the MITOS-ATYPIA-14 challenge along with recently published works. Our model achieved an F-measure score of 0.955, a 6.11% improvement in accuracy from the most accurate of the previously proposed models.

研究动机与目标

• 为解决在乳腺癌预后评估中手动计数有丝分裂象耗时且易出错的临床挑战。
• 开发一种深度学习模型，能够准确检测所有有丝分裂阶段中低密度、形态多变的有丝分裂象。
• 改进现有计算方法，这些方法因召回率与精确率不足而难以满足临床应用需求。
• 实现自动化、可扩展且成本效益高的有丝分裂计数估计，以提升乳腺癌分级水平。
• 在真实世界病理学工作流程中常见的多样化染色方案与成像条件下具备良好的泛化能力。

提出的方法

• 在 Faster-RCNN 架构基础上进行改进，采用两阶段、自顶向下的多尺度区域提议网络（RPN），以增强对小目标（如有丝分裂象）的检测能力。
• 采用双 RPN 机制，在多个尺度上生成区域提议，从而提高对小尺寸及形态多变的有丝分裂象的敏感性。
• 使用 VGG-16 作为主干网络进行特征提取，并在组织病理学图像上进行微调，结合染色颜色归一化以减少不同实验室间的差异。
• 应用数据增强技术（包括旋转、翻转和缩放）以提升数据集多样性，并缓解小样本数据集的局限性。
• 采用交叉熵损失和区域分类进行端到端训练，以优化边界框定位与目标分类性能。
• 引入“非有丝分裂象”类别，以减少凋亡细胞和染色伪影导致的误报。

实验结果

研究问题

• RQ1 基于区域的 CNN 架构是否能在有丝分裂象检测上实现比先前深度学习方法和手工特征方法更高的检测准确率？
• RQ2 双 RPN 机制是否能提升对所有有丝分裂阶段中形态多变的小型有丝分裂象的检测能力？
• RQ3 染色归一化与数据增强在多大程度上提升了模型在多样化组织病理学数据集上的泛化能力？
• RQ4 该模型是否能在低密度有丝分裂象检测中实现临床可用的精确率与召回率？
• RQ5 与先前工作相比，该模型的推理速度如何？是否适合实时临床部署？

主要发现

• MITOS-RCNN 达到了 0.955 的 F1 分数，相较于最准确的先前模型，准确率提升了 6.11%。
• 在 ICPR 2012、AMIDA 2013 和 MITOS-ATYPIA-14 挑战赛中，该模型优于所有先前参赛者，展现出卓越的泛化能力。
• 模型在每张高倍视野（HPF）上的平均推理时间为 0.5 秒，具备临床工作流程中的实用性。
• 使用学习到的特征而非手工特征，显著提升了检测的鲁棒性与准确性。
• 尽管训练数据集规模有限，但通过数据增强与染色归一化，有效减少了由凋亡细胞和染色伪影引起的误报。
• 该模型在未见数据上表现稳健，表明其在多样化临床环境中的部署潜力。