[论文解读] Adversarial Domain Adaptation for Classification of Prostate Histopathology Whole-Slide Images

Jian Ren, Ilker Hacihaliloglu+3 more|arXiv (Cornell University)|Jun 4, 2018

AI in cancer detection被引用 15

一句话总结

本文提出了一种无监督对抗域自适应方法，采用孪生网络以改善因染色和扫描协议不同而在不同机构间进行前列腺全切片图像（WSIs）的格里森分级。通过基于生成对抗网络（GAN）的对抗性训练和图像块级正则化，对齐源域（带标签）与目标域（无标签）之间的特征分布，该方法在无需目标域标注的情况下实现了显著的准确率提升，在两个公开数据集和一个本地数据集上均展现出最先进性能。

ABSTRACT

Automatic and accurate Gleason grading of histopathology tissue slides is crucial for prostate cancer diagnosis, treatment, and prognosis. Usually, histopathology tissue slides from different institutions show heterogeneous appearances because of different tissue preparation and staining procedures, thus the predictable model learned from one domain may not be applicable to a new domain directly. Here we propose to adopt unsupervised domain adaptation to transfer the discriminative knowledge obtained from the source domain to the target domain without requiring labeling of images at the target domain. The adaptation is achieved through adversarial training to find an invariant feature space along with the proposed Siamese architecture on the target domain to add a regularization that is appropriate for the whole-slide images. We validate the method on two prostate cancer datasets and obtain significant classification improvement of Gleason scores as compared with the baseline models.

研究动机与目标

• 解决因不同机构间染色和扫描协议差异导致的前列腺组织病理学全切片图像（WSIs）中的域偏移问题。
• 仅使用带标签的源域数据，在无标签的目标域全切片图像上实现准确的格里森分级。
• 开发一种域自适应框架，实现判别性知识的迁移，而无需对目标数据进行人工标注。
• 提升在前列腺癌诊断中面对多样化全切片图像分布的分类鲁棒性与泛化能力。

提出的方法

• 采用生成对抗网络（GAN）损失的对抗域自适应方法，以最小化源域与目标域特征之间的分布差异。
• 在带标签的全切片图像上使用交叉熵损失训练源网络，以学习低-高格里森分级分类的判别性特征。
• 将目标网络从源网络初始化，并与域判别器联合优化，以学习域不变特征。
• 在目标域引入孪生结构，对图像块级表示进行正则化，强制同一全切片图像内空间邻近图像块之间的特征一致性。
• 采用结合对抗损失（L_a）与图像块级一致性损失（L_t）的混合损失函数，以提升特征泛化能力与分类准确率。
• 对图像块级预测结果采用多数投票法，确定每张全切片图像的最终格里森评分。

实验结果

研究问题

• RQ1 在无需目标域标注的情况下，对抗域自适应能否有效减少前列腺组织病理学全切片图像中的域偏移？
• RQ2 在目标全切片图像上，引入孪生网络进行图像块级正则化，如何改善特征学习与分类性能？
• RQ3 对抗域对齐与图像块级一致性损失在提升分类准确率方面的相对贡献如何？
• RQ4 所提出方法在未见数据集上的跨机构格里森分级任务中是否显著优于基线模型？

主要发现

• 在UP数据集上（TCGA w/o UP → UP），该方法取得了77.1%的准确率，显著优于基线的54.3%。
• 在CINJ数据集上（TCGA → CINJ），该方法达到75.0%的准确率，优于基线（56.3%）和仅使用对抗损失的模型（62.5%）。
• McNemar检验确认在TCGA（w/o UP）→ UP迁移任务中，准确率提升具有统计显著性（p = 0.039）。
• 定性热力图分析显示，采用L_t损失的适配模型正确识别了高格里森分级区域，而基线模型与仅使用L_a的模型则将大片区域误判为低分级。
• 适应后的混淆矩阵显示，两个数据集在高低格里森分级的敏感性和特异性方面均表现出一致的提升。
• 消融研究证实，将对抗损失（L_a）与图像块级一致性损失（L_t）结合使用，相比仅使用L_a，性能更优。