[论文解读] Bending Loss Regularized Network for Nuclei Segmentation in Histopathology Images

Haotian Wang, Min Xian+1 more|arXiv (Cornell University)|Feb 3, 2020

AI in cancer detection参考文献 21被引用 6

一句话总结

本文提出一种弯曲损失正则化网络，以提升组织病理学图像中细胞核的分割性能，尤其针对重叠细胞核的情况。通过在训练过程中对高曲率轮廓点施加惩罚，该方法促使边界更加平滑且具有细胞核特异性，从而在MoNuSeg数据集上多个指标（包括Dice、Jaccard和全景质量）上达到当前最优性能。

ABSTRACT

Separating overlapped nuclei is a major challenge in histopathology image analysis. Recently published approaches have achieved promising overall performance on public datasets; however, their performance in segmenting overlapped nuclei are limited. To address the issue, we propose the bending loss regularized network for nuclei segmentation. The proposed bending loss defines high penalties to contour points with large curvatures, and applies small penalties to contour points with small curvature. Minimizing the bending loss can avoid generating contours that encompass multiple nuclei. The proposed approach is validated on the MoNuSeg dataset using five quantitative metrics. It outperforms six state-of-the-art approaches on the following metrics: Aggregate Jaccard Index, Dice, Recognition Quality, and Pan-optic Quality.

研究动机与目标

• 为解决在数字病理学中准确分割重叠细胞核这一常见瓶颈问题，提出方法。
• 通过抑制模型生成同时包含多个细胞核的轮廓，改善细胞核分割中的轮廓生成质量。
• 提出一种基于几何曲率的新型损失函数，对边界预测进行正则化。
• 在标准细胞核分割基准上实现卓越性能，尤其在处理重叠细胞核方面表现优异。
• 在MoNuSeg数据集上，使用多种定量指标对方法进行验证。

提出的方法

• 所提方法引入一种弯曲损失，对曲率较大的轮廓点施加更高惩罚，从而促进生成更平滑、更准确的细胞核边界。
• 弯曲损失被整合进深度学习分割网络的训练目标中，与标准的二元交叉熵损失或Dice损失并行使用。
• 损失函数源自微分几何，通过计算预测分割边界的曲率并进行非线性惩罚得到。
• 网络架构采用联合损失函数进行端到端训练，同时优化像素级准确率和细胞核轮廓的几何保真度。
• 在MoNuSeg基准数据集上，使用五项标准指标对方法进行评估，包括综合Jaccard指数和全景质量。

实验结果

研究问题

• RQ1 基于曲率的损失函数是否能提升组织病理学图像中重叠细胞核的分割性能？
• RQ2 对高曲率边界点施加惩罚是否能生成更准确且更具生物学合理性的细胞核轮廓？
• RQ3 在MoNuSeg基准上，弯曲损失正则化网络与当前最优方法相比，其分割质量如何？
• RQ4 弯曲损失在多大程度上减少了模型将多个细胞核合并为单一分割区域的倾向？

主要发现

• 在MoNuSeg数据集上，所提方法在综合Jaccard指数指标上优于六种当前最优方法。
• 在所有对比方法中，该模型取得了最高的Dice分数，表明预测结果与真实标签之间的重叠程度更优。
• 在识别质量（Recognition Quality）指标上表现最佳，该指标用于评估单个细胞核检测与分割的准确性。
• 同时在全景质量（Pan-optic Quality）得分上达到最高，反映出其在实例分割与语义分割两方面的整体优异表现。