[论文解读] Classification of Epithelial Ovarian Carcinoma Whole-Slide Pathology Images Using Deep Transfer Learning

Yiping Wang, David Farnell+7 more|arXiv (Cornell University)|May 22, 2020

AI in cancer detection参考文献 9被引用 8

一句话总结

本研究提出了一种基于渐进式缩放和VGG19的两阶段深度迁移学习框架，用于将上皮性卵巢癌全切片图像（WSIs）分类为五种组织学亚型。该方法在切片级别实现了87.54%的准确率和0.8106的Cohen’s kappa值，优于标准卷积神经网络（CNNs）和未经训练的病理学家，证明了在数字病理学中诊断可重复性的提升。

ABSTRACT

Ovarian cancer is the most lethal cancer of the female reproductive organs. There are $5$ major histological subtypes of epithelial ovarian cancer, each with distinct morphological, genetic, and clinical features. Currently, these histotypes are determined by a pathologist's microscopic examination of tumor whole-slide images (WSI). This process has been hampered by poor inter-observer agreement (Cohen's kappa $0.54$-$0.67$). We utilized a extit{two}-stage deep transfer learning algorithm based on convolutional neural networks (CNN) and progressive resizing for automatic classification of epithelial ovarian carcinoma WSIs. The proposed algorithm achieved a mean accuracy of $87.54\%$ and Cohen's kappa of $0.8106$ in the slide-level classification of $305$ WSIs; performing better than a standard CNN and pathologists without gynecology-specific training.

研究动机与目标

• 为解决未接受妇科专科培训的病理学家在上皮性卵巢癌组织学分类中存在较差的观察者间一致性（kappa值为0.54–0.67）的问题。
• 通过全切片图像（WSIs）提高对上皮性卵巢癌五种主要组织学亚型分类的诊断准确率和可重复性。
• 开发一种深度学习框架，有效平衡低分辨率图像块中的上下文信息与高分辨率图像块中的细节特征，用于WSI分类。
• 在305张全切片图像数据集上，评估渐进式缩放的迁移学习与标准CNNs及随机权重初始化的性能对比。
• 展示集成学习与图像块级聚合在使用随机森林对归一化图像块级特征向量进行切片级分类中的实用性。

提出的方法

• 采用两阶段迁移学习方法：第一阶段在256×256低分辨率图像块上训练VGG19网络，以捕捉高层级上下文模式。
• 第二阶段通过替换第一个卷积块并添加两个新随机初始化的卷积块，然后在512×512高分辨率图像块上重新训练网络，以提取细粒度细节。
• 采用渐进式缩放技术逐步提高输入分辨率，使模型能够学习全局上下文与局部纹理特征。
• 将图像块级预测聚合为每个切片的5维特征向量，表示每种组织学类型的图像块数量，随后进行Z得分归一化。
• 使用3折交叉验证方案（与图像块级训练划分匹配）在这些归一化特征向量上训练随机森林分类器。
• 通过所有五种组织学类型的平均每类准确率、Cohen’s kappa值、AUC和F1分数评估性能。

实验结果

研究问题

• RQ1 与标准CNNs相比，采用渐进式缩放的两阶段深度迁移学习方法是否能提高上皮性卵巢癌组织学亚型在全切片图像上的分类准确率？
• RQ2 利用低分辨率图像块进行上下文特征学习，同时利用高分辨率图像块提取细节特征，是否能提升数字病理学中的分类性能？
• RQ3 与随机权重初始化相比，从ImageNet预训练模型进行迁移学习在多大程度上提升了切片级分类准确率？
• RQ4 与未经训练的病理学家相比，该方法在观察者间一致性与诊断准确率方面表现如何？
• RQ5 图像块级分类模式对提升切片级分类性能的贡献有多大？

主要发现

• 所提出的两阶段迁移学习模型在切片级别实现了87.54%的准确率和0.8106的Cohen’s kappa值，显著优于基线模型。
• 该模型实现了87.54%的平均每类准确率和0.8718的F1分数，其中HGSOC（90.45%）和LGSOC（100.0%）表现最佳。
• 该方法的切片级性能优于标准CNN（基线1）的73.77%准确率和0.5993的kappa值，以及随机初始化网络（基线2）的69.08%准确率和0.5224的kappa值。
• 该模型表现出强鲁棒性，AUC达到0.9641，表明在所有五种组织学亚型中均具有优异的判别能力。
• 切片级分类性能的提升主要源于图像块级预测的增强，特别是CCOC和ENOC在第二阶段表现出显著提升。
• 本研究证实，渐进式缩放与迁移学习能够有效平衡上下文与细粒度特征，从而在数字病理学中实现更优的分类性能。