[论文解读] Comparing Deep Learning Models for Multi-cell Classification in Liquid-based Cervical Cytology Images

Sudhir Sornapudi, G. T. Brown+4 more|arXiv (Cornell University)|Oct 2, 2019

AI in cancer detection参考文献 12被引用 6

一句话总结

本文提出了一种用于液基宫颈细胞学图像中多细胞分类的深度学习流程，通过使用微调的卷积神经网络进行基于图像块的分类，避免了对精确细胞分割的依赖。VGG-19在精确率-召回率曲线上实现了95%的准确率，表现出在分类宫颈涂片图像中孤立细胞和重叠细胞方面的优越性能。

ABSTRACT

Liquid-based cytology (LBC) is a reliable automated technique for the screening of Papanicolaou (Pap) smear data. It is an effective technique for collecting a majority of the cervical cells and aiding cytopathologists in locating abnormal cells. Most methods published in the research literature rely on accurate cell segmentation as a prior, which remains challenging due to a variety of factors, e.g., stain consistency, presence of clustered cells, etc. We propose a method for automatic classification of cervical slide images through generation of labeled cervical patch data and extracting deep hierarchical features by fine-tuning convolution neural networks, as well as a novel graph-based cell detection approach for cellular level evaluation. The results show that the proposed pipeline can classify images of both single cell and overlapping cells. The VGG-19 model is found to be the best at classifying the cervical cytology patch data with 95 % accuracy under precision-recall curve.

研究动机与目标

• 解决在液基细胞学图像中准确分类宫颈细胞的挑战，因为传统方法严重依赖精确的细胞分割。
• 开发一种直接在图像块上运行、无需预先分割的鲁棒分类流程。
• 评估多种深度学习架构在分类细胞学图像中孤立和重叠宫颈细胞方面的能力。
• 通过利用层次化特征提取和基于图的检测方法，提升自动化巴氏涂片筛查的诊断准确率。

提出的方法

• 从全幻灯片图像中生成带标签的宫颈图像块数据，用于在代表性细胞区域上训练深度学习模型。
• 对图像块数据微调卷积神经网络，以提取深层层次化特征，提升分类性能。
• 提出一种新颖的基于图的细胞检测方法，用于在细胞水平上识别和定位细胞，支持多细胞分类。
• 该流程评估了多种预训练模型（包括VGG-19、ResNet-50、DenseNet-121和Inception-v3）的性能，以进行比较。
• 通过在多细胞图像测试集上的精确率-召回率曲线和准确率指标评估分类性能。
• 该方法通过聚焦于图像块级别分类和基于图的定位，避免了对人工或复杂分割的依赖。

实验结果

研究问题

• RQ1 在包含孤立和重叠细胞的宫颈细胞学图像块中，哪种深度学习架构在分类性能上表现最佳？
• RQ2 基于图像块的分类方法是否能在无需精确细胞分割的情况下实现高准确率？
• RQ3 基于图的细胞检测方法在多细胞场景下的整体分类性能中起到了何种作用？
• RQ4 在细胞学特定图像块数据上对预训练模型进行微调，对诊断分类有何影响？
• RQ5 在宫颈细胞学图像分析背景下，不同深度学习模型的精确率-召回率表现如何变化？

主要发现

• VGG-19在精确率-召回率曲线上实现了最高的分类准确率95%，优于其他测试的模型。
• 所提出的流程成功实现了对单个细胞和重叠细胞的分类，且无需以精确细胞分割为前提条件。
• 在细胞学图像块数据上对预训练卷积神经网络进行微调，显著提升了分类性能。
• 基于图的细胞检测方法实现了在复杂簇状区域中细胞的有效定位与评估。
• 该方法对染色差异和细胞簇集具有鲁棒性，这是液基细胞学中的常见挑战。
• 结果表明，基于图像块的深度学习分类是依赖分割方法的宫颈细胞学筛查中一种可行且准确的替代方案。