[论文解读] Mitosis Detection, Fast and Slow: Robust and Efficient Detection of Mitotic Figures

Mostafa Jahanifar, Adam Shephard+5 more|arXiv (Cornell University)|Aug 26, 2022

AI in cancer detection被引用 6

一句话总结

该论文提出了一种两阶段、鲁棒且高效的有丝分裂检测框架——'Detecting Fast' 通过一种新颖的轻量化网络（EUNet）实现快速候选区域分割，随后通过 EfficientNet-B7 进行精细化分类的 'Detecting Slow'。该方法在多种组织学数据集上实现了最先进性能与良好的泛化能力，在 MIDOG21 和 MIDOG22 挑战赛中均获得第一名，并成功发布了来自 TCGA-BRCA 队列的超过 622,000 个有丝分裂图像的大型公开数据集。

ABSTRACT

Counting of mitotic figures is a fundamental step in grading and prognostication of several cancers. However, manual mitosis counting is tedious and time-consuming. In addition, variation in the appearance of mitotic figures causes a high degree of discordance among pathologists. With advances in deep learning models, several automatic mitosis detection algorithms have been proposed but they are sensitive to {\em domain shift} often seen in histology images. We propose a robust and efficient two-stage mitosis detection framework, which comprises mitosis candidate segmentation ({\em Detecting Fast}) and candidate refinement ({\em Detecting Slow}) stages. The proposed candidate segmentation model, termed extit{EUNet}, is fast and accurate due to its architectural design. EUNet can precisely segment candidates at a lower resolution to considerably speed up candidate detection. Candidates are then refined using a deeper classifier network, EfficientNet-B7, in the second stage. We make sure both stages are robust against domain shift by incorporating domain generalization methods. We demonstrate state-of-the-art performance and generalizability of the proposed model on the three largest publicly available mitosis datasets, winning the two mitosis domain generalization challenge contests (MIDOG21 and MIDOG22). Finally, we showcase the utility of the proposed algorithm by processing the TCGA breast cancer cohort (1,125 whole-slide images) to generate and release a repository of more than 620K mitotic figures.

研究动机与目标

• 解决在癌症预后中人工有丝分裂计数存在的高评分者间差异性和耗时性问题。
• 克服由于扫描仪、染色方案和组织类型差异导致的全切片图像中的领域偏移挑战。
• 开发一种快速且准确的有丝分裂检测系统，以模拟病理科医生的多倍率工作流程。
• 生成一个大规模、公开可用的有丝分裂检测数据集，用于基准测试与模型开发。
• 通过领域泛化技术提升模型在不同组织学形态下的泛化能力。

提出的方法

• 该框架采用两阶段流程：首先，EUNet 执行快速、低分辨率的有丝分裂候选区域分割（Detecting Fast）。
• 其次，更深层的 EfficientNet-B7 分类器对候选区域进行精细化处理，以区分真实有丝分裂与伪影（Detecting Slow）。
• EUNet 采用自监督预训练策略，对编码器和解码器同时进行，以在标注数据有限的情况下提升特征学习能力。
• 该方法应用了领域泛化技术——特别是领域不变特征学习和数据增强策略——以增强对领域偏移的鲁棒性。
• 通过 NuClick 将点标注转换为掩码，实现弱监督训练以支持分割任务。
• 系统在经过筛选的伪影图像块上进行微调，以减少染色和标记引起的误报。

实验结果

研究问题

• RQ1 两阶段深度学习框架是否能在保持高效率和对领域偏移强鲁棒性的同时，超越现有方法的有丝分裂检测性能？
• RQ2 不同组合的领域泛化技术如何影响在多种组织学数据集上的有丝分裂分割性能？
• RQ3 一个轻量化分割模型搭配深层分类器在多大程度上能提升检测准确率与效率？
• RQ4 所提出的方法能否在不同扫描仪、组织类型和染色方案之间实现有效泛化？
• RQ5 当应用于大规模全切片图像队列时，该方法的可扩展性与实际应用价值如何？

主要发现

• 所提方法在 MIDOG21 和 MIDOG22 挑战赛中均获得第一名，证明了其最先进的性能与泛化能力。
• 该框架在 TCGA-BRCA 队列中检测到超过 622,528 个确认的有丝分裂图像，形成了一个包含 1,125 幅全切片图像的公开数据集，附带详细标注。
• 两阶段设计显著提升了计算效率，即使在初始阶段提高检测灵敏度，对运行时间的影响也微乎其微。
• 阈值分析显示，不同分割与分类阈值下 F1 曲线保持平坦，表明模型在调参方面具有高度鲁棒性与灵活性。
• 自监督预训练与领域泛化技术显著提升了模型在多样化成像条件下的泛化能力。
• 引入微调后的伪影检测模块有效降低了常见组织学伪影导致的误报，提升了真实全切片图像分析中的可靠性。