[论文解读] CoNIC: Colon Nuclei Identification and Counting Challenge 2022

Simon Graham, Mostafa Jahanifar+7 more|arXiv (Cornell University)|Nov 29, 2021

AI in cancer detection参考文献 12被引用 4

一句话总结

CoNIC 2022 挑战赛引入了一个大规模、公开可用的数据集，包含约 500,000 个来自结肠组织病理学图像的标注细胞核，旨在推动计算病理学中细胞核分割、分类和计数的深度学习方法发展。该挑战赛在准确性和对输入变化的鲁棒性方面评估模型表现，采用基于 Docker 的标准化基准提交方式，并提供基于 HoVer-Net 的基线模型。

ABSTRACT

Nuclear segmentation, classification and quantification within Haematoxylin & Eosin stained histology images enables the extraction of interpretable cell-based features that can be used in downstream explainable models in computational pathology (CPath). However, automatic recognition of different nuclei is faced with a major challenge in that there are several different types of nuclei, some of them exhibiting large intra-class variability. To help drive forward research and innovation for automatic nuclei recognition in CPath, we organise the Colon Nuclei Identification and Counting (CoNIC) Challenge. The challenge encourages researchers to develop algorithms that perform segmentation, classification and counting of nuclei within the current largest known publicly available nuclei-level dataset in CPath, containing around half a million labelled nuclei. Therefore, the CoNIC challenge utilises over 10 times the number of nuclei as the previous largest challenge dataset for nuclei recognition. It is important for algorithms to be robust to input variation if we wish to deploy them in a clinical setting. Therefore, as part of this challenge we will also test the sensitivity of each submitted algorithm to certain input variations.

研究动机与目标

• 通过大规模、公开可用的数据集推动计算病理学中自动化细胞核识别的创新。
• 评估深度学习模型在细胞核实例分割、分类和细胞组成（计数）任务上的表现。
• 评估模型对输入变化的鲁棒性，这是临床部署的关键要求。
• 提供基于 Docker 的标准化基准提交方式和基线模型（HoVer-Net），以促进方法比较。
• 鼓励发表技术论文，以确保方法透明性并防止重复提交。

提出的方法

• 该挑战赛使用 Lizard 数据集，包含 4,981 张全切片图像切片（256×256），来自 20× 放大倍数下的结肠组织，具有完整的细胞核实例和类别标注。
• 参赛者需通过 Docker 容器提交完全自动化的模型，以确保可复现性和标准化。
• 定义了两个主要任务：(1) 细胞核实例分割与分类，以及 (2) 无需显式边界定位的细胞组成（计数）任务。
• 评估基于实例分割指标（如平均 Dice 系数、平均 IoU）和计数性能（使用 R² 和每类细胞类型的平均绝对误差 MAE）。
• 提供基于 HoVer-Net 的基线方法作为参考，该方法同时执行分割与分类，以支持后续计数任务。
• 对输入变化的鲁棒性在挑战赛后进行评估，尽管不用于排行榜排名，但有助于评估临床可部署性。

实验结果

研究问题

• RQ1 深度学习模型在结肠组织病理学图像中对多种细胞核类型的实例分割与分类表现如何？
• RQ2 模型是否能在不显式定位细胞核边界的情况下准确预测细胞组成（各类细胞计数）？
• RQ3 最先进模型对图像预处理或扰动等输入变化的敏感程度如何？
• RQ4 在本数据集上训练的模型在未见数据或其它组织类型上的泛化能力如何？
• RQ5 模型架构和训练策略在临床相关场景下的鲁棒性与性能方面有何影响？

主要发现

• CoNIC 数据集包含约 500,000 个标注细胞核，数量超过此前最大细胞核识别挑战数据集的十倍以上。
• Lizard 数据集包含来自六种不同结肠组织来源的细胞核，涵盖正常、炎症性、异型增生性和癌变状态，显著提升了数据集的多样性。
• 挑战赛采用标准化评估协议，结合基于 Docker 的提交方式，确保了可复现性和公平性。
• 提供基于 HoVer-Net 的基线模型，可直接用于分割与分类性能的对比。
• 对输入变化的鲁棒性在挑战赛后进行评估，凸显了临床部署准备中的关键差距。
• 参赛者需提交 4 页的 LNCS 格式技术论文，以确保方法透明性，并支持挑战赛后的分析。