[论文解读] A Novel Automation-Assisted Cervical Cancer Reading Method Based on Convolutional Neural Network

Yao Xiang, Wanxin Sun+4 more|arXiv (Cornell University)|Dec 14, 2019

AI in cancer detection参考文献 63被引用 7

一句话总结

该论文提出了一种无需分割的、端到端的宫颈癌筛查方法，采用基于YOLOv3的物体检测技术，并结合级联的困难样本分类器，以提升对难分类类别（ASC-US、ASC-H、LSIL、HSIL）的分类性能。在4000×3000像素的多细胞图像上，该方法实现了97.5%的敏感度和67.8%的特异度，平均精度（mAP）达到63.4%，展现出在临床图像级筛查和异常细胞精确定位方面的稳健性能。

ABSTRACT

While most previous automation-assisted reading methods can improve efficiency, their performance often relies on the success of accurate cell segmentation and hand-craft feature extraction. This paper presents an efficient and totally segmentation-free method for automated cervical cell screening that utilizes modern object detector to directly detect cervical cells or clumps, without the design of specific hand-crafted feature. Specifically, we use the state-of-the-art CNN-based object detection methods, YOLOv3, as our baseline model. In order to improve the classification performance of hard examples which are four highly similar categories, we cascade an additional task-specific classifier. We also investigate the presence of unreliable annotations and cope with them by smoothing the distribution of noisy labels. We comprehensively evaluate our methods on test set which is consisted of 1,014 annotated cervical cell images with size of 4000*3000 and complex cellular situation corresponding to 10 categories. Our model achieves 97.5% sensitivity (Sens) and 67.8% specificity (Spec) on cervical cell image-level screening. Moreover, we obtain a mean Average Precision (mAP) of 63.4% on cervical cell-level diagnosis, and improve the Average Precision (AP) of hard examples which are valuable but difficult to distinguish. Our automation-assisted cervical cell reading method not only achieves cervical cell image-level classification but also provides more detailed location and category information of abnormal cells. The results indicate feasible performance of our method, together with the efficiency and robustness, providing a new idea for future development of computer-assisted reading system in clinical cervical screening.

研究动机与目标

• 为解决人工宫颈细胞学筛查效率低下和人力成本高的问题，开发一种自动化、端到端的筛查系统。
• 克服传统多阶段流程依赖人工分割和手工特征提取的局限性。
• 通过级联分类器提升对难以区分的异常细胞类别（ASC-US、ASC-H、LSIL、HSIL）的分类准确性。
• 通过平滑标签分布来减轻临床宫颈图像数据集中噪声标注的影响。
• 实现在大尺寸全切片图像（4000×3000）上的图像级筛查，而非单个细胞切片，从而提升临床工作流程效率。

提出的方法

• 采用YOLOv3作为基础目标检测模型，直接在无需细胞分割的情况下检测并分类多细胞图像中的10类宫颈细胞。
• 引入级联的、任务特定的分类器，以优化对四类高度相似的异常类别（ASC-US、ASC-H、LSIL、HSIL）的预测，提升区分能力。
• 应用标签平滑技术，以降低训练数据中噪声或不可靠标注的影响，增强模型鲁棒性。
• 在包含复杂细胞背景（如重叠细胞和杂质）的1,014张标注全切片图像（4000×3000像素）上进行模型训练与评估。
• 采用分类置信度与定位置信度相结合的混合得分来排序检测结果，辅助临床解读。
• 针对宫颈细胞检测任务优化锚框设置，以提升在特定数据集上的定位精度。

实验结果

研究问题

• RQ1 无分割的端到端目标检测方法是否能在宫颈细胞分类任务中超越传统多阶段流程？
• RQ2 级联分类器在提升难以区分的异常细胞类别（ASC-US、ASC-H、LSIL、HSIL）识别能力方面效果如何？
• RQ3 标签平滑在多大程度上能缓解宫颈细胞学数据集中因噪声标注导致的性能下降？
• RQ4 深度学习模型是否能在大尺寸、复杂全切片图像（4000×3000）上实现高敏感度和可接受的特异度，以支持图像级筛查？
• RQ5 所提出的方法是否能在一次高效推理过程中提供对异常细胞具有临床价值的定位与分类信息？

主要发现

• 所提方法在1,014张全切片图像（4000×3000）的图像级分类中实现了97.5%的敏感度和67.8%的特异度，展现出在初筛任务中的强大性能。
• 在细胞级诊断中，模型实现了63.4%的平均精度（mAP），尤其在最具挑战性的困难样本类别中，平均精度（AP）显著提升。
• 与基线相比，级联困难样本分类器将误报率降低，并使特异度提高5.6%，证实其在困难分类任务中的有效性。
• 该方法成功在包含重叠细胞、噪声和杂质的复杂多细胞图像中检测并定位异常细胞，证明了在真实世界条件下的鲁棒性。
• 系统同时提供图像级筛查结果以及详细的细胞级定位与分类信息，支持高效临床阅片。
• 结果表明，结合标签平滑与任务特定优化的端到端目标检测，是实现临床宫颈癌筛查自动化的可行且高效的方法。