[论文解读] Comparison of Different Methods for Tissue Segmentation in Histopathological Whole-Slide Images

Péter Bándi, Rob van de Loo+6 more|arXiv (Cornell University)|Mar 17, 2017

AI in cancer detection被引用 7

一句话总结

本文提出两种基于深度学习的卷积神经网络（CNN）架构，用于全切片图像（WSIs）中的组织分割，与传统方法进行比较。CNN模型在54张来自三家实验室的全切片图像数据集中，取得了显著更高的Jaccard指数（0.937和0.929），远超传统方法的0.870，证明了其在多种组织类型和染色变异情况下的优越准确性和鲁棒性。

ABSTRACT

Tissue segmentation is an important pre-requisite for efficient and accurate diagnostics in digital pathology. However, it is well known that whole-slide scanners can fail in detecting all tissue regions, for example due to the tissue type, or due to weak staining because their tissue detection algorithms are not robust enough. In this paper, we introduce two different convolutional neural network architectures for whole slide image segmentation to accurately identify the tissue sections. We also compare the algorithms to a published traditional method. We collected 54 whole slide images with differing stains and tissue types from three laboratories to validate our algorithms. We show that while the two methods do not differ significantly they outperform their traditional counterpart (Jaccard index of 0.937 and 0.929 vs. 0.870, p < 0.01).

研究动机与目标

• 为解决由于染色变异和组织类型差异导致的全切片图像中组织检测不一致的问题。
• 评估基于深度学习的分割方法与数字病理学中既有的传统方法的性能表现。
• 开发可在多个实验室获取的多样化全切片图像上泛化的鲁棒组织分割模型。
• 在包含54张全切片图像的多样化数据集上验证所提出方法，该数据集涵盖不同染色方法和组织类型。

提出的方法

• 为全切片图像分割设计了两种不同的卷积神经网络（CNN）架构，利用深度学习捕捉复杂的组织模式。
• 模型在来自三家不同实验室的54张全切片图像数据集上进行端到端训练。
• 通过基于图像块的推理方法处理全切片图像的高分辨率和大尺寸。
• 采用全卷积网络（FCN）架构，实现组织区域的密集、像素级分割。
• 用于比较的传统方法为已发表的非深度学习方法，依赖手工设计的图像特征和阈值分割。
• 通过Jaccard指数（交并比）评估模型性能，以衡量预测组织区域与真实标注区域的重叠程度。

实验结果

研究问题

• RQ1 基于深度学习的CNN架构是否能在全切片图像的组织区域分割中优于传统非深度学习方法？
• RQ2 所提出的CNN模型在不同组织类型和染色方案下的鲁棒性如何？
• RQ3 与传统方法相比，使用深度学习在组织分割准确度上带来了多大的定量提升？
• RQ4 所提出的两种CNN架构在组织分割任务中是否存在显著的性能差异？

主要发现

• 所提出的两种基于CNN的方法分别取得了0.937和0.929的Jaccard指数，表明与真实标注组织分割的重叠程度很高。
• 传统方法的Jaccard指数为0.870，显著低于两种深度学习方法（p < 0.01）。
• 两种CNN模型之间的性能差异无统计学显著性，表明其有效性相当。
• 深度学习模型在包含54张全切片图像的多实验室数据集中，对不同组织类型和染色变异均表现出良好的鲁棒性。