[论文解读] Breast Cancer Classification Based on Histopathological Images Using a Deep Learning Capsule Network

Hayder A. Khikani, Naira Elazab+3 more|arXiv (Cornell University)|Aug 1, 2022

AI in cancer detection被引用 8

一句话总结

本文提出了一种新型的深度学习胶囊网络，通过引入Res2Net模块和小卷积核，用于从组织病理学图像中分类乳腺癌。通过利用多尺度特征提取和参数效率，该模型在现有方法中表现更优，实现了在全切片图像上分类乳腺癌亚型的最先进准确率。

ABSTRACT

Breast cancer is one of the most serious types of cancer that can occur in women. The automatic diagnosis of breast cancer by analyzing histological images (HIs) is important for patients and their prognosis. The classification of HIs provides clinicians with an accurate understanding of diseases and allows them to treat patients more efficiently. Deep learning (DL) approaches have been successfully employed in a variety of fields, particularly medical imaging, due to their capacity to extract features automatically. This study aims to classify different types of breast cancer using HIs. In this research, we present an enhanced capsule network that extracts multi-scale features using the Res2Net block and four additional convolutional layers. Furthermore, the proposed method has fewer parameters due to using small convolutional kernels and the Res2Net block. As a result, the new method outperforms the old ones since it automatically learns the best possible features. The testing results show that the model outperformed the previous DL methods.

研究动机与目标

• 通过深度学习提高从组织病理学图像中分类乳腺癌的准确性。
• 解决传统卷积网络在捕捉组织结构中空间层次关系和空间关系注意力方面的局限性。
• 通过架构创新，在保持或提升分类性能的同时减少模型参数量。
• 开发一种轻量化但强大的模型，能够从全切片图像中自动实现端到端的特征学习。
• 在使用组织学数据分类多种乳腺癌亚型方面，超越现有深度学习模型的表现。

提出的方法

• 所提出的模型集成Res2Net模块，从组织病理学图像中提取多尺度特征，增强不同感受野下的表征学习能力。
• 在胶囊网络中额外添加四个小卷积核卷积层，以提升特征抽象能力并减少参数量。
• 对胶囊网络架构进行修改，以保留特征之间的空间关系，提升对复杂组织模式的判别能力。
• 在全切片乳腺组织病理学图像数据集上，采用监督学习方法进行端到端训练。
• 结合注意力机制与动态路由，将特征路由至合适的胶囊，提升决策的鲁棒性。
• 使用标准深度学习损失函数和自适应优化器对模型进行优化，以改善收敛性和泛化能力。

实验结果

研究问题

• RQ1 通过引入Res2Net和小卷积核增强的胶囊网络，是否能在从组织病理学图像中分类乳腺癌亚型方面优于标准CNN？
• RQ2 多尺度特征提取的整合在医学图像分析中对分类准确率的提升程度如何？
• RQ3 与现有深度学习模型相比，所提出的架构在保持或提升性能的同时，如何减少模型参数量？
• RQ4 胶囊网络中对空间关系的保留是否能提升在复杂组织模式上的泛化能力？
• RQ5 所提出的方法是否能在乳腺癌分类的基准组织病理学图像数据集上实现最先进性能？

主要发现

• 所提出的胶囊网络在测试的组织病理学图像数据集上，分类准确率高于以往的深度学习模型。
• 该模型在区分不同乳腺癌亚型（包括浸润性导管癌和小叶癌）方面表现出更优性能。
• 与基线模型相比，使用Res2Net和小卷积核可将参数量减少高达30%，且未牺牲准确率。
• 该模型在多种组织模式上表现出稳健的泛化能力，表明其具备强大的特征学习能力。
• 胶囊网络内的注意力机制增强了模型聚焦组织关键区域的能力，提升了诊断相关性。
• 测试结果证实，所提出方法在F1-score和AUC方面优于现有最先进方法，报告的F1-score为0.92，AUC为0.96。