[论文解读] Classification and Retrieval of Digital Pathology Scans: A New Dataset

Morteza Babaie, Shivam Kalra+6 more|arXiv (Cornell University)|May 22, 2017

AI in cancer detection参考文献 29被引用 4

一句话总结

本文介绍了Kimia Path24，一个新数据集，包含24种不同组织纹理的1,325张全切片图像切片（1000×1000像素），用于数字病理学分类与检索。该数据集支持最多50,000张切片的训练，并通过LBP、词袋模型和卷积神经网络（CNN）建立基准，其中CNN模型取得最高41.80%的准确率，凸显了在高分辨率病理图像中基于纹理分类的挑战。

ABSTRACT

In this paper, we introduce a new dataset, extbf{Kimia Path24}, for image classification and retrieval in digital pathology. We use the whole scan images of 24 different tissue textures to generate 1,325 test patches of size 1000$ imes$1000 (0.5mm$ imes$0.5mm). Training data can be generated according to preferences of algorithm designer and can range from approximately 27,000 to over 50,000 patches if the preset parameters are adopted. We propose a compound patch-and-scan accuracy measurement that makes achieving high accuracies quite challenging. In addition, we set the benchmarking line by applying LBP, dictionary approach and convolutional neural nets (CNNs) and report their results. The highest accuracy was 41.80\% for CNN.

研究动机与目标

• 为解决利用机器学习对高分辨率数字病理学全切片图像（WSIs）进行分类与检索的挑战。
• 提供一个标准化的基准数据集，用于数字病理学中基于纹理的分类与检索。
• 评估传统方法（LBP、词袋模型）与深度学习方法（CNN）在新型、多样化且具有挑战性的组织纹理数据集上的性能表现。
• 建立一种复合切片与扫描准确率指标，以反映临床环境中实际检索的难度。
• 通过提供可灵活生成训练切片、标准化测试切片的数据集，实现可复现的评估。

提出的方法

• 该数据集Kimia Path24由24张来自不同组织纹理的全切片图像组成，包含1,325个经人工挑选的1000×1000像素（0.5mm×0.5mm）测试切片。
• 通过可配置参数生成训练切片：40%重叠率与99%同质性阈值，根据设置不同可生成27,000至50,000多张切片。
• 提出一种复合准确率指标，结合切片级别与扫描级别准确率，以反映临床情境下的检索性能。
• 评估三种基线方法：使用不同距离度量（L1、L2、χ²）的局部二值模式（LBP），基于原始特征与LBP特征的词袋模型（BoW），以及两种CNN架构（CNN1与CNN2）。
• CNN1从头开始训练，采用ReLU激活函数、Adam优化器与分类交叉熵损失，输入为128×128像素的缩放切片。
• 数据增强包括双三次插值与基于梯度的滤波，以保留高对比度区域。

实验结果

研究问题

• RQ1 机器学习模型能否有效从高分辨率全切片图像中对组织纹理切片进行分类与检索？
• RQ2 在多样化组织纹理数据集上，传统纹理描述符（LBP）与深度学习（CNN）的性能相比如何？
• RQ3 复合切片与扫描准确率指标在多大程度上反映了数字病理学中实际检索挑战？
• RQ4 训练数据量与切片选择参数的变化如何影响模型的泛化能力与准确率？
• RQ5 当忽略空间与几何关系时，紧凑表示方法（如词袋模型）是否可能超越深度学习？

主要发现

• 通过CNN（CNN1）实现的最高分类准确率为41.80%，在复合准确率指标上优于所有其他方法。
• 使用(24,3)邻域与L1距离的LBP方法在切片级别达到66.11%准确率，总准确率为41.33%，排名第二。
• 基于原始特征的词袋模型（BoW）总准确率为39.65%，基于LBP特征的BoW模型总准确率为38.37%。
• CNN2（一种参数更少、加入Dropout与L2正则化的浅层架构）达到40.24%的总准确率，表明通过改进网络结构或数据仍具提升空间。
• 尽管以全分辨率处理图像，LBP仍取得具有竞争力的结果，表明其在纹理区分方面的优势。
• 结果表明，即使在使用高分辨率切片与多样化训练数据的情况下，基于纹理的数字病理学分类仍具挑战性。