[论文解读] MS-GWNN:multi-scale graph wavelet neural network for breast cancer diagnosis

Mo Zhang, Quanzheng Li|arXiv (Cornell University)|Dec 29, 2020

AI in cancer detection被引用 6

一句话总结

该论文提出MS-GWNN，一种多尺度图小波神经网络，利用谱图小波捕捉组织病理学图像中层次化的组织结构，用于乳腺癌诊断。通过并行应用多个具有不同缩放参数的图小波变换，并聚合多尺度特征，MS-GWNN实现了端到端学习，在BACH数据集上达到93.75%的准确率，在BreakHis数据集上达到99.67%，优于现有最先进方法。

ABSTRACT

Breast cancer is one of the most common cancers in women worldwide, and early detection can significantly reduce the mortality rate of breast cancer. It is crucial to take multi-scale information of tissue structure into account in the detection of breast cancer. And thus, it is the key to design an accurate computer-aided detection (CAD) system to capture multi-scale contextual features in a cancerous tissue. In this work, we present a novel graph convolutional neural network for histopathological image classification of breast cancer. The new method, named multi-scale graph wavelet neural network (MS-GWNN), leverages the localization property of spectral graph wavelet to perform multi-scale analysis. By aggregating features at different scales, MS-GWNN can encode the multi-scale contextual interactions in the whole pathological slide. Experimental results on two public datasets demonstrate the superiority of the proposed method. Moreover, through ablation studies, we find that multi-scale analysis has a significant impact on the accuracy of cancer diagnosis.

研究动机与目标

• 为解决现有计算机辅助诊断系统在捕捉组织病理学图像中多尺度上下文特征方面的局限性。
• 克服图卷积网络中多阶段流水线依赖所导致的脆弱性与非端到端特性。
• 开发一种统一的、端到端的框架，整合多层次组织结构信息以提升癌症诊断性能。
• 验证多尺度分析在提升乳腺癌分类诊断准确率方面的重要性。

提出的方法

• 该方法将组织病理学图像转换为图表示，其中组织切片作为节点，空间邻近性定义边。
• 采用具有多个缩放参数（s）的图小波变换，实现在组织拓扑上的局部化、多尺度分析。
• 使用多个并行的图小波神经网络（GWNNs），每个采用不同的尺度参数，以在不同结构层次上提取特征。
• 通过可学习的融合机制对不同尺度的特征进行拼接与聚合，生成图级别的分类预测。
• 模型通过节点级别和图级别监督联合训练，使用超参数λ平衡两种损失。
• 该框架利用t-SNE可视化表明，不同尺度的嵌入编码了不同的结构模式：中等尺度下可观察到肿瘤区域的紧密聚类。

实验结果

研究问题

• RQ1 多尺度图小波表示能否有效捕捉组织病理学图像中的层次化组织结构？
• RQ2 与多阶段GCN流水线相比，图小波网络的端到端训练是否能提升诊断性能？
• RQ3 图小波中不同缩放参数（s）如何影响模型学习上下文组织特征的能力？
• RQ4 在准确的癌症分类中，节点级别与图级别监督之间的最优平衡是什么？
• RQ5 多尺度特征学习是否对全切片图像中高精度乳腺癌诊断至关重要？

主要发现

• MS-GWNN在BACH数据集上达到93.75%的准确率，在BreakHis数据集上达到99.67%，优于现有最先进方法。
• 消融实验表明，多尺度分析显著提升了诊断准确率，当所有尺度均被使用时性能最佳。
• 损失平衡的最优缩放参数λ被确定为1，表明节点级别与图级别监督具有同等重要性。
• t-SNE可视化显示，不同尺度的图小波嵌入编码了不同的组织模式：中等尺度特征揭示了肿瘤区域的紧密聚类，而较大尺度则捕捉了更广泛的结构组织。
• 该模型通过学习丰富且分层的表示，展现出鲁棒性与泛化能力，且无需依赖外部细胞检测或特征提取步骤。
• 本研究证实，具有自适应缩放的图小波为建模数字病理学中多层次组织结构提供了强有力的归纳偏置。