[论文解读] CellLineNet: End-to-End Learning and Transfer Learning For Multiclass Epithelial Breast cell Line Classification via a Convolutional Neural Network

Darlington Akogo, Vincent Appiah+1 more|arXiv (Cornell University)|Aug 18, 2018

AI in cancer detection参考文献 3被引用 6

一句话总结

CellLineNet 是一个31层的卷积神经网络，可在无需人工特征提取的情况下，实现对五种上皮性乳腺癌细胞系——MDA-MB-468、MCF7、10A、12A 和 HC11——的端到端多类别分类。该模型在包含3,252张图像的数据集上，通过端到端训练和微调的MobileNet架构进行迁移学习，实现了96.67%的准确率。

ABSTRACT

Computer Vision for Analyzing and Classifying cells and tissues often require rigorous lab procedures and so automated Computer Vision solutions have been sought. Most work in such field usually requires Feature Extractions before the analysis of such features via Machine Learning and Machine Vision algorithms. We developed a Convolutional Neural Network that classifies 5 types of epithelial breast cell lines comprised of two human cancer lines, 2 normal immortalized lines, and 1 immortalized mouse line (MDA-MB-468, MCF7, 10A, 12A and HC11) without requiring feature extraction. The Multiclass Cell Line Classification Convolutional Neural Network extends our earlier work on a Binary Breast Cancer Cell Line Classification model. CellLineNet is 31-layer Convolutional Neural Network trained, validated and tested on a 3,252 image dataset of 5 types of Epithelial Breast cell Lines (MDA-MB-468, MCF7, 10A, 12A and HC11) in an end-to-end fashion. End-to-End Learning enables CellLineNet to identify and learn on its own, visual features and regularities most important to Breast Cancer Cell Line Classification from the dataset of images. Using Transfer Learning, the 28-layer MobileNet Convolutional Neural Network architecture with pre-trained ImageNet weights is extended and fine tuned to the Multiclass Epithelial Breast cell Line Classification problem. CellLineNet simply requires an imaged Cell Line as input and it outputs the type of breast epithelial cell line (MDA-MB-468, MCF7, 10A, 12A or HC11) as predicted probabilities for the 5 classes. CellLineNet scored a 96.67% Accuracy.

研究动机与目标

• 开发一种无需依赖手工设计特征的自动化深度学习系统，用于分类上皮性乳腺癌细胞系。
• 将先前的二分类工作扩展到包含五种不同细胞系的多类别设置。
• 评估端到端学习与迁移学习在乳腺癌病理图像分类任务中的性能表现。
• 构建一个鲁棒且可泛化的模型，能够仅凭单张显微镜图像实现高精度的细胞系类型预测。

提出的方法

• 在包含3,252张五种上皮性乳腺癌细胞系显微图像的数据集上，对一个31层的卷积神经网络（CellLineNet）进行端到端训练。
• 该模型直接从原始图像数据中学习视觉特征和模式，绕过了传统特征提取流程。
• 通过在28层的MobileNet架构上使用预训练的ImageNet权重初始化网络，并针对特定的细胞系分类任务进行微调，应用迁移学习。
• 模型输出每个五种类别的预测概率，支持概率分类。
• 在包含3,252张图像的平衡数据集上进行训练、验证和测试，确保性能评估的可靠性。

实验结果

研究问题

• RQ1 深度卷积神经网络是否能够在无需人工特征工程的情况下，实现对上皮性乳腺癌细胞系的高精度多类别分类？
• RQ2 在有限的组织病理学图像数据集上，端到端学习与迁移学习在性能表现上如何比较？
• RQ3 像MobileNet这样的预训练卷积神经网络架构，在多大程度上可以被有效微调以应用于特定的生物图像分类任务？
• RQ4 仅使用图像输入，能够实现多大程度的准确度来区分五种不同的上皮性乳腺癌细胞系？

主要发现

• CellLineNet在多类别上皮性乳腺癌细胞系分类任务中，测试准确率达到96.67%。
• 该模型仅使用原始图像输入，成功对五种不同的细胞系——MDA-MB-468、MCF7、10A、12A 和 HC11——进行了分类。
• 端到端学习使网络能够从未经处理的数据集中自动学习具有判别性的视觉特征，而无需事先进行特征工程。
• 通过微调的MobileNet架构进行迁移学习，显著提升了模型在相对较小数据集上的性能表现。