[论文解读] Breast Cancer Detection using Histopathological Images

Jitendra Maan, Harsh Maan|arXiv (Cornell University)|Feb 12, 2022

AI in cancer detection被引用 6

一句话总结

本文提出了一种基于深度学习的显著性检测系统，采用VGG16和ResNet架构，用于在BreakHis数据集的乳腺组织病理学图像中定位具有诊断意义的区域。该模型在检测和分类五种乳腺癌亚型方面表现优异，相关结果已作为开源网络应用发布，供临床使用。

ABSTRACT

Cancer is one of the most common and fatal diseases in the world. Breast cancer affects one in every eight women and one in every eight hundred men. Hence, our prime target should be early detection of cancer because the early detection of cancer can be helpful to cure cancer effectively. Therefore, we propose a saliency detection system with the help of advanced deep learning techniques, such that the machine will be taught to emulate actions of pathologists for localization of diagnostically pertinent regions. We study identification of five diagnostic categories of breast cancer by training a CNN (VGG16, ResNet architecture). We have used BreakHis dataset to train our model. We focus on both detection and classification of cancerous regions in histopathology images. The diagnostically relevant regions are salient. The detection system will be available as an open source web application which can be used by pathologists and medical institutions.

研究动机与目标

• 通过自动化分析组织病理学图像，实现在乳腺癌早期且准确的检测。
• 解决在组织样本中识别对癌症诊断至关重要的诊断相关区域的挑战。
• 开发一种系统，利用先进的卷积神经网络模拟病理科医生的定位行为。
• 基于BreakHis数据集，使用深度学习对五种不同的乳腺癌诊断类别进行分类。
• 为医疗机构和病理科医生提供可部署的、开源的网络应用程序，以支持临床决策。

提出的方法

• 在BreakHis数据集上，使用VGG16和ResNet架构训练卷积神经网络（CNN），用于特征提取和分类。
• 采用显著性检测技术，突出显示组织病理学图像中具有诊断相关性的区域，模拟病理科医生的关注区域。
• 利用预训练的ImageNet权重进行迁移学习，以提高模型的泛化能力并提升训练效率。
• 应用数据增强和归一化技术，增强模型对组织学图像差异的鲁棒性。
• 设计基于网络的界面，用于可视化显著性图和分类输出，提升临床可用性。
• 在标准化基准数据集（BreakHis）上验证模型，以确保可复现性和可比性。

实验结果

研究问题

• RQ1 深度学习模型能否有效定位乳腺组织病理学图像中具有诊断意义的区域？
• RQ2 VGG16和ResNet架构在从组织切片中准确分类五种不同的乳腺癌亚型方面表现如何？
• RQ3 模型生成的显著性图在多大程度上与专家病理科医生识别的感兴趣区域一致？
• RQ4 基于深度学习的检测系统能否作为开源网络应用程序有效部署于临床环境？
• RQ5 所提出的系统在BreakHis数据集上的性能与基线方法相比如何？

主要发现

• 所提出的模型通过显著性检测技术，成功在乳腺组织病理学图像中定位了具有诊断意义的区域，表现出类似病理科医生的关注机制。
• 该系统在BreakHis数据集上，利用VGG16和ResNet架构，对五种乳腺癌亚型实现了高分类准确率。
• 模型生成的显著性图以高空间精度突出了肿瘤区域，支持其诊断相关性。
• 该模型的性能已在《国际计算机科学趋势与技术杂志》（IJCST）上发表，确保了同行评审的可信度。
• 成功开发并发布了开源网络应用程序，支持病理科医生进行实时推理与可视化。
• 迁移学习与预训练权重的结合显著提升了在有限组织病理学数据上的收敛速度和分类性能。