[论文解读] A Deep Learning Framework for Automatic Diagnosis in Lung Cancer

Nikolay Burlutskiy, Feng Gu+3 more|arXiv (Cornell University)|Jul 27, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 7被引用 11

一句话总结

本文提出了一种深度学习框架，用于使用苏木精-伊红染色的全切片图像对组织微阵列（TMAs）中的肺癌区域进行自动分割。该框架在712例患者的组织核心上进行训练，并由专家标注，实现了80%的精确率和86%的召回率，用于像素级的癌症检测，其中U-Net和123S模型在临床和公开的斯坦福TMA数据集上均表现出色。

ABSTRACT

We developed a deep learning framework that helps to automatically identify and segment lung cancer areas in patients' tissue specimens. The study was based on a cohort of lung cancer patients operated at the Uppsala University Hospital. The tissues were reviewed by lung pathologists and then the cores were compiled to tissue micro-arrays (TMAs). For experiments, hematoxylin-eosin stained slides from 712 patients were scanned and then manually annotated. Then these scans and annotations were used to train segmentation models of the developed framework. The performance of the developed deep learning framework was evaluated on fully annotated TMA cores from 178 patients reaching pixel-wise precision of 0.80 and recall of 0.86. Finally, publicly available Stanford TMA cores were used to demonstrate high performance of the framework qualitatively.

研究动机与目标

• 开发一种用于组织微阵列（TMAs）中肺癌自动分割的深度学习框架，以减轻病理科医生的工作负担和变异性。
• 通过基于图像块的语义分割方法，解决高分辨率全切片图像超出GPU内存限制的挑战。
• 在712例肺癌患者的平衡队列中，使用专家标注的组织核心，评估模型性能。
• 通过将训练好的模型应用于公开的斯坦福TMA数据集，展示其泛化潜力。
• 为数字病理学提供一种稳健、可扩展的解决方案，支持肺癌诊断中的临床决策。

提出的方法

• 该框架采用基于图像块的方法，将高分辨率TMA切片（0.5 μm/像素）分割为较小的图像块以进行处理。
• 训练了七种深度神经网络——123S、dilatednet、drn-C26、drn-C42、unet、densenet-D56和densenet-D103——用于对五类组织进行语义分割：癌变组织、间质组织、坏死组织、正常肺组织和排除区域。
• 采用Sigmoid交叉熵损失函数进行二分类（癌变 vs. 非癌变），并通过Sigmoid函数σ(z) = 1 / (1 + exp(-z))对预测结果进行转换。
• 使用Adam优化器进行训练，使所有模型在配备10块TitanXp GPU的GPU集群上均能实现高效收敛。
• 将预测的图像块拼接在一起，以重建完整的TMA组织核心预测，保持空间一致性。
• 通过在测试组织核心的像素级别评估，选择最优阈值以平衡精确率与召回率。

实验结果

研究问题

• RQ1 尽管存在GPU内存限制，深度学习框架是否能够在全切片TMA图像中实现高精度的像素级肺癌分割？
• RQ2 不同最先进的语义分割架构在H&E染色肺癌组织中对癌变区域的分类表现如何？
• RQ3 训练好的模型在外部数据集（如公开的斯坦福TMA组织核心）上的泛化能力如何？
• RQ4 专家标注质量与模型架构选择在临床病理学背景下对分割性能有何影响？
• RQ5 病理科医生是否能够在真实世界诊断场景中可靠地在像素级别验证深度学习预测的准确性？

主要发现

• 123S和U-Net模型在178例患者的测试集中表现最佳，精确率为80%，召回率为86%。
• 该框架展现出强大的泛化能力，病理科医生在公开的斯坦福TMA组织核心上报告了高质量、准确的癌变热力图。
• unet和123S模型在精确率和召回率方面均优于其他架构，表明其具备更优的特征学习与空间定位能力。
• 在癌变组织、间质组织、坏死组织和正常肺组织类别之间使用平衡数据集，有助于实现稳定可靠的模型性能。
• 基于图像块的处理策略有效解决了超出GPU内存限制的高分辨率全切片图像的处理问题。
• 该框架能够生成详细、像素级的预测结果，支持其在临床决策支持和数字病理学工作流程中的潜在应用。