[论文解读] Cancerous Nuclei Detection and Scoring in Breast Cancer Histopathological Images

Pegah Faridi, Habibollah Danyali+2 more|arXiv (Cornell University)|Dec 5, 2016

AI in cancer detection参考文献 26被引用 11

一句话总结

本文提出了一种基于H&E染色解混、形态学操作和高斯差分滤波的计算机视觉方法，用于在乳腺癌组织病理学图像中检测和评分癌变细胞核。该方法在细胞核异型性评分上达到了86.6%的准确率，推动了乳腺癌自动诺丁汉分级技术的发展。

ABSTRACT

Early detection and prognosis of breast cancer are feasible by utilizing histopathological grading of biopsy specimens. This research is focused on detection and grading of nuclear pleomorphism in histopathological images of breast cancer. The proposed method consists of three internal steps. First, unmixing colors of H&E is used in the preprocessing step. Second, nuclei boundaries are extracted incorporating the center of cancerous nuclei which are detected by applying morphological operations and Difference of Gaussian filter on the preprocessed image. Finally, segmented nuclei are scored to accomplish one parameter of the Nottingham grading system for breast cancer. In this approach, the nuclei area, chromatin density, contour regularity, and nucleoli presence, are features for nuclear pleomorphism scoring. Experimental results showed that the proposed algorithm, with an accuracy of 86.6%, made significant advancement in detecting cancerous nuclei compared to existing methods in the related literature.

研究动机与目标

• 改进乳腺癌组织病理学图像中癌变细胞核的自动检测与分级。
• 解决诺丁汉分级系统中细胞核异型性评估的挑战。
• 开发一种稳健且计算高效的临床应用方法，用于早期癌症检测与预后评估。
• 将多个形态学特征——细胞核面积、染色质密度、轮廓规则性及核仁存在——整合到统一的评分框架中。

提出的方法

• 预处理阶段通过H&E颜色解混将苏木精和伊红成分分离，以增强细胞核的可见性。
• 利用预处理图像上的形态学操作检测细胞核边界，以增强结构细节。
• 应用高斯差分（DoG）滤波器以突出细胞核中心，提升分割精度。
• 从分割后的细胞核中提取面积、染色质密度、轮廓规则性及核仁存在等细胞核特征。
• 设计评分机制，将这些特征映射到诺丁汉分级系统中的细胞核异型性等级。
• 使用准确率作为主要性能指标，在组织病理学图像数据集上评估该方法。

实验结果

研究问题

• RQ1 能否通过颜色解混与形态学滤波提升H&E染色乳腺癌组织病理学图像中癌变细胞核的自动检测效果？
• RQ2 染色质密度与轮廓规则性等形态学特征在诺丁汉分级系统中对预测细胞核异型性的程度如何？
• RQ3 与现有方法相比，该方法在癌变细胞核评分准确率方面表现如何？
• RQ4 非深度学习的基于特征的方法能否在细胞核异型性评估中实现具有竞争力的性能？

主要发现

• 所提方法在细胞核异型性评分上达到了86.6%的准确率，优于文献中现有方法。
• H&E颜色解混显著提升了细胞核与背景之间的对比度，增强了分割的可靠性。
• 形态学操作与高斯差分滤波的结合有效检测了细胞核中心与边界。
• 染色质密度与轮廓规则性是区分恶性与良性细胞核的强判别性特征。
• 核仁的存在被可靠检测到，并显著提升了评分准确率。
• 该方法在真实世界组织病理学图像中表现出稳健性，无需深度学习或大量训练数据。