[论文解读] Stain Normalized Breast Histopathology Image Recognition using Convolutional Neural Networks for Cancer Detection

Sruthi Krishna Kunji Purayil, Suganthi S. S+2 more|arXiv (Cornell University)|Jan 4, 2022

AI in cancer detection被引用 8

一句话总结

本文提出了一种用于乳腺组织病理学图像分类的染色归一化卷积神经网络（CNN）框架，以提高癌症检测的准确性。通过在BreaKHis数据集上应用自适应色彩去卷积进行染色归一化，并对轻量级CNN架构——VGG16、MobileNet和EfficientNet进行微调，作者证明染色归一化显著提升了性能，其中EfficientNet在保持较低推理时间的同时实现了最高的测试准确率和F1分数。

ABSTRACT

Computer assisted diagnosis in digital pathology is becoming ubiquitous as it can provide more efficient and objective healthcare diagnostics. Recent advances have shown that the convolutional Neural Network (CNN) architectures, a well-established deep learning paradigm, can be used to design a Computer Aided Diagnostic (CAD) System for breast cancer detection. However, the challenges due to stain variability and the effect of stain normalization with such deep learning frameworks are yet to be well explored. Moreover, performance analysis with arguably more efficient network models, which may be important for high throughput screening, is also not well explored.To address this challenge, we consider some contemporary CNN models for binary classification of breast histopathology images that involves (1) the data preprocessing with stain normalized images using an adaptive colour deconvolution (ACD) based color normalization algorithm to handle the stain variabilities; and (2) applying transfer learning based training of some arguably more efficient CNN models, namely Visual Geometry Group Network (VGG16), MobileNet and EfficientNet. We have validated the trained CNN networks on a publicly available BreaKHis dataset, for 200x and 400x magnified histopathology images. The experimental analysis shows that pretrained networks in most cases yield better quality results on data augmented breast histopathology images with stain normalization, than the case without stain normalization. Further, we evaluated the performance and efficiency of popular lightweight networks using stain normalized images and found that EfficientNet outperforms VGG16 and MobileNet in terms of test accuracy and F1 Score. We observed that efficiency in terms of test time is better in EfficientNet than other networks; VGG Net, MobileNet, without much drop in the classification accuracy.

研究动机与目标

• 为解决数字乳腺组织病理学图像中染色变异带来的挑战，该挑战会妨碍基于深度学习的一致性诊断。
• 评估使用自适应色彩去卷积（ACD）进行染色归一化对CNN在良性和恶性组织二分类任务中性能的影响。
• 比较轻量级CNN模型——VGG16、MobileNet和EfficientNet——在染色归一化组织病理学数据上的分类准确率、F1分数和推理效率。
• 在200倍和400倍放大倍数下，验证预训练模型在BreaKHis数据集上进行迁移学习的有效性。

提出的方法

• 应用自适应色彩去卷积（ACD）对全玻片图像中的染色差异进行归一化，以减少不同切片之间的颜色差异。
• 使用基于ACD的染色归一化方法对BreaKHis数据集在200倍和400倍放大倍数下的组织病理学图像进行预处理。
• 在归一化数据集上，利用迁移学习对三种预训练的CNN架构——VGG16、MobileNet和EfficientNet——进行微调。
• 通过数据增强训练模型，以提高泛化能力和鲁棒性。
• 使用标准指标评估性能：测试准确率、F1分数和推理时间。
• 比较染色归一化与非归一化数据的结果，以评估归一化对模型性能的影响。

实验结果

研究问题

• RQ1 使用自适应色彩去卷积进行染色归一化是否能提升基于CNN的乳腺癌分类模型在组织病理学图像上的性能？
• RQ2 在染色归一化的组织病理学图像上，轻量级CNN模型（VGG16、MobileNet、EfficientNet）在准确率、F1分数和推理效率方面如何比较？
• RQ3 在迁移学习设置下，使用染色归一化数据与原始未归一化数据相比，分类性能是否有显著提升？
• RQ4 哪种CNN架构在归一化的乳腺组织病理学图像上实现了分类准确率与推理速度的最佳平衡？

主要发现

• 与未归一化数据相比，使用自适应色彩去卷积进行染色归一化显著提升了所有评估的CNN模型的分类性能。
• EfficientNet在所评估的三种模型中取得了最高的测试准确率和F1分数，优于VGG16和MobileNet。
• EfficientNet表现出更优的推理效率，在保持高准确率的同时，测试时间比VGG16和MobileNet更短。
• 染色归一化带来的性能提升在BreaKHis数据集的200倍和400倍放大倍数下均保持一致。
• 在数据增强且染色归一化的图像上，使用预训练模型进行迁移学习的效果优于未归一化数据。
• MobileNet在轻量级模型中表现出最佳的速度与准确率平衡，尽管其整体性能低于EfficientNet。