[论文解读] Breast Cancer Classification from Histopathological Images with Inception Recurrent Residual Convolutional Neural Network

Md Zahangir Alom, Chris Yakopcic+2 more|arXiv (Cornell University)|Nov 10, 2018

AI in cancer detection参考文献 15被引用 4

一句话总结

本文提出了一种用于从组织病理学图像中进行乳腺癌分类的Inception循环残差卷积神经网络（IRRCNN），通过整合Inception-v4、ResNet和循环CNN组件，提升特征学习能力和分类准确率。该模型在BreakHis和2015年乳腺癌分类挑战数据集上实现了最先进性能，在灵敏度、AUC、ROC曲线下面积和全局准确率方面均优于现有方法。

ABSTRACT

The Deep Convolutional Neural Network (DCNN) is one of the most powerful and successful deep learning approaches. DCNNs have already provided superior performance in different modalities of medical imaging including breast cancer classification, segmentation, and detection. Breast cancer is one of the most common and dangerous cancers impacting women worldwide. In this paper, we have proposed a method for breast cancer classification with the Inception Recurrent Residual Convolutional Neural Network (IRRCNN) model. The IRRCNN is a powerful DCNN model that combines the strength of the Inception Network (Inception-v4), the Residual Network (ResNet), and the Recurrent Convolutional Neural Network (RCNN). The IRRCNN shows superior performance against equivalent Inception Networks, Residual Networks, and RCNNs for object recognition tasks. In this paper, the IRRCNN approach is applied for breast cancer classification on two publicly available datasets including BreakHis and Breast Cancer Classification Challenge 2015. The experimental results are compared against the existing machine learning and deep learning-based approaches with respect to image-based, patch-based, image-level, and patient-level classification. The IRRCNN model provides superior classification performance in terms of sensitivity, Area Under the Curve (AUC), the ROC curve, and global accuracy compared to existing approaches for both datasets.

研究动机与目标

• 通过深度学习提升从组织病理学图像中进行乳腺癌分类的准确率。
• 通过结合Inception、残差和循环CNN架构的优势，解决现有模型的局限性。
• 在图像级别和患者级别分类任务上评估所提出的IRRCNN模型。
• 在多个评估指标下，将IRRCNN性能与最先进机器学习和深度学习方法进行比较。
• 在公开数据集上展示其在灵敏度、AUC和全局准确率方面的优越性能。

提出的方法

• IRRCNN模型整合了Inception-v4架构，用于多尺度特征提取和高效计算。
• 引入来自ResNet的残差连接，以缓解梯度消失问题并提升训练深度。
• 引入循环卷积层，以建模特征图之间的空间依赖关系，增强上下文理解能力。
• 模型在组织病理学全切片图像和图像块级表示上进行端到端训练。
• 训练采用随机梯度下降优化，损失函数为交叉熵损失，并应用数据增强技术以提升泛化能力。
• 通过聚合多个图像块的预测结果，该框架支持图像级别和患者级别的分类。

实验结果

研究问题

• RQ1 结合Inception、残差和循环组件的混合深度学习架构是否能提升组织病理学图像中乳腺癌分类的准确率？
• RQ2 IRRCNN模型在灵敏度和AUC方面与独立的Inception、ResNet和RCNN模型相比表现如何？
• RQ3 循环连接的引入是否增强了组织病理学图像分类中的特征表示？
• RQ4 IRRCNN在基准数据集上的图像级别和患者级别分类任务中表现如何？
• RQ5 所提出的模型能否在如BreakHis和2015年乳腺癌分类挑战等多样化组织病理学图像数据集上实现有效泛化？

主要发现

• IRRCNN模型在BreakHis数据集上的全局准确率高于现有深度学习和机器学习方法。
• 在2015年乳腺癌分类挑战数据集上，IRRCNN展现出更高的灵敏度和AUC值，优于基线模型。
• IRRCNN在BreakHis数据集上实现了0.98的AUC，表明其对良性和恶性病例具有极佳的判别能力。
• IRRCNN在两个数据集上的ROC曲线下表现均持续提升，证实了其鲁棒性。
• 循环层的引入有助于更好地表示特征，尤其在捕捉组织模式中的长距离空间依赖关系方面表现突出。
• IRRCNN在图像级别和患者级别分类任务中均实现了最先进性能，凸显其临床相关性。