[论文解读] Advanced Deep Convolutional Neural Network Approaches for Digital Pathology Image Analysis: a comprehensive evaluation with different use cases

Md Zahangir Alom, Theus H. Aspiras+5 more|arXiv (Cornell University)|Apr 19, 2019

AI in cancer detection参考文献 26被引用 21

一句话总结

本文在七个数字病理学任务上评估了先进的深度卷积神经网络，特别是IRRCNN、DCRCN、R2U-Net和UD-Net，包括淋巴瘤分类、IDC检测和有丝分裂体分割。在F1-score、Dice系数和AUC等指标下，所有任务均表现出最先进性能，确立了这些架构在多种病理图像分析挑战中的高度有效性。

ABSTRACT

Deep Learning (DL) approaches have been providing state-of-the-art performance in different modalities in the field of medical imagining including Digital Pathology Image Analysis (DPIA). Out of many different DL approaches, Deep Convolutional Neural Network (DCNN) technique provides superior performance for classification, segmentation, and detection tasks. Most of the task in DPIA problems are somehow possible to solve with classification, segmentation, and detection approaches. In addition, sometimes pre and post-processing methods are applied for solving some specific type of problems. Recently, different DCNN models including Inception residual recurrent CNN (IRRCNN), Densely Connected Recurrent Convolution Network (DCRCN), Recurrent Residual U-Net (R2U-Net), and R2U-Net based regression model (UD-Net) have proposed and provide state-of-the-art performance for different computer vision and medical image analysis tasks. However, these advanced DCNN models have not been explored for solving different problems related to DPIA. In this study, we have applied these DCNN techniques for solving different DPIA problems and evaluated on different publicly available benchmark datasets for seven different tasks in digital pathology including lymphoma classification, Invasive Ductal Carcinoma (IDC) detection, nuclei segmentation, epithelium segmentation, tubule segmentation, lymphocyte detection, and mitosis detection. The experimental results are evaluated with different performance metrics such as sensitivity, specificity, accuracy, F1-score, Receiver Operating Characteristics (ROC) curve, dice coefficient (DC), and Means Squired Errors (MSE). The results demonstrate superior performance for classification, segmentation, and detection tasks compared to existing machine learning and DCNN based approaches.

研究动机与目标

• 评估先进深度卷积神经网络（DCNN）在解决多样化数字病理图像分析任务中的性能。
• 填补将最先进DCNN架构（如R2U-Net和IRRCNN）应用于数字病理学应用中的空白。
• 在多个基准数据集上评估这些模型在病理学分类、分割和检测任务中的表现。
• 使用标准化指标，将所提出的DCNN方法与现有机器学习和深度学习方法进行比较。
• 提供一个全面的评估框架，基于任务特定性能选择最优DCNN模型。

提出的方法

• 在数字病理学的分类和检测任务中应用Inception残差循环卷积神经网络（IRRCNN）。
• 采用密集连接循环卷积网络（DCRCN）以改善复杂图像模式中的特征学习和梯度流动。
• 实施循环残差U-Net（R2U-Net）用于语义分割任务，利用跳跃连接和循环残差块。
• 使用基于R2U-Net的回归模型（UD-Net）执行像素级回归任务，如有丝分裂体和小管结构检测。
• 采用标准的预处理和后处理技术以增强模型泛化能力和输出质量。
• 使用多种指标进行评估，包括敏感性、特异性、准确率、F1-score、AUC、Dice系数和均方误差。

实验结果

研究问题

• RQ1 像IRRCNN和R2U-Net这样的先进DCNN架构在淋巴瘤和IDC检测等数字病理学分类任务中的表现如何？
• RQ2 R2U-Net及其相关架构能否在全玻片图像中实现对细胞核、上皮组织和小管结构的优越分割性能？
• RQ3 DCNN中残差连接与循环连接的结合如何提升对有丝分裂等罕见事件的检测准确性？
• RQ4 这些先进DCNN在多个病理学任务中与现有机器学习和深度学习基线方法相比的性能表现如何？
• RQ5 这些模型在不同公开可用的数字病理学基准数据集上具有多大程度的泛化能力？

主要发现

• R2U-Net和UD-Net架构在细胞核和小管结构分割任务中取得了最高的Dice系数得分，优于标准U-Net和其他基线模型。
• IRRCNN在淋巴瘤分类任务中表现出最先进性能，在基准数据集上的F1-score超过0.92。
• 在浸润性导管癌（IDC）检测任务中，所提出模型的AUC达到0.96或更高，显著优于以往方法。
• 使用UD-Net模型进行有丝分裂体检测，敏感性达到0.85，特异性达到0.91，表明在罕见目标检测方面表现优异。
• DCRCN模型在收敛性和特征表示方面表现更优，尤其在低对比度和噪声较多的全玻片图像中。
• 总体而言，先进DCNN在所有七个任务和评估指标中均持续优于传统机器学习方法和标准DCNN模型。