[论文解读] Considerations for a PAP Smear Image Analysis System with CNN Features

Srishti Gautam, K K Harinarayan+4 more|arXiv (Cornell University)|Jun 23, 2018

AI in cancer detection被引用 15

一句话总结

该论文提出了一种基于CNN的巴氏涂片图像分析系统，结合核检测与迁移学习技术用于宫颈癌筛查，表明精确分割并非实现高精度分类的必要条件。该方法通过利用低层次CNN特征与全图或检测到的细胞图像上的迁移学习，在2类分类中达到99.3%的准确率，在7类分类中达到93.75%的准确率，实现了当前最优性能，证明仅通过核检测即可实现高效分类。

ABSTRACT

It has been shown that for automated PAP-smear image classification, nucleus features can be very informative. Therefore, the primary step for automated screening can be cell-nuclei detection followed by segmentation of nuclei in the resulting single cell PAP-smear images. We propose a patch based approach using CNN for segmentation of nuclei in single cell images. We then pose the question of ion of segmentation for classification using representation learning with CNN, and whether low-level CNN features may be useful for classification. We suggest a CNN-based feature level analysis and a transfer learning based approach for classification using both segmented as well full single cell images. We also propose a decision-tree based approach for classification. Experimental results demonstrate the effectiveness of the proposed algorithms individually (with low-level CNN features), and simultaneously proving the sufficiency of cell-nuclei detection (rather than accurate segmentation) for classification. Thus, we propose a system for analysis of multi-cell PAP-smear images consisting of a simple nuclei detection algorithm followed by classification using transfer learning.

研究动机与目标

• 开发一种用于宫颈癌筛查的自动化巴氏涂片图像分析系统，以减少对耗时且易出错的人工筛查的依赖。
• 探究在基于深度学习的巴氏涂片图像分类中，是否必须进行精确的核分割。
• 评估低层次CNN特征与迁移学习在区分正常与异常细胞中的有效性。
• 比较使用检测到的核（含背景）与完全分割的核进行分类的性能差异。
• 提出一种轻量化、高效的系统，结合核检测与迁移学习，实现可扩展、高精度的筛查。

提出的方法

• 采用基于图像块的CNN并结合选择性预处理，用于单细胞巴氏涂片图像中的核分割，在Herlev数据集上达到F-score为0.90。
• 在多细胞图像上应用简单的核检测算法，随后通过边界框裁剪并添加20像素的填充，生成用于分类的子图像。
• 采用迁移学习方法，使用AlexNet架构（特别是conv1T层）在全图或检测到的细胞图像上进行微调，以完成2类与7类分类任务。
• 采用决策树作为替代分类方法，以与深度学习模型的性能进行对比。
• 评估使用真实分割核与所提分割方法的分类性能，并在不同数据集上进行对比。
• 从全切片图像中创建三个随机的训练与验证划分，以确保在复杂Aindra数据集上的稳健评估。

实验结果

研究问题

• RQ1 在使用深度学习对巴氏涂片图像进行高精度分类时，是否必须进行精确的核分割？
• RQ2 仅使用卷积神经网络早期卷积层的低层次特征，能否有效表征细胞形态，从而在无需完整分割的情况下实现分类？
• RQ3 使用检测到的核（含背景）与完全分割的核进行分类的性能表现有何差异？
• RQ4 在预训练CNN（如AlexNet）上进行迁移学习，是否能以最少的微调实现巴氏涂片分类的当前最优性能？
• RQ5 在检测到的子图像中包含上下文背景像素，是否能提升分类准确率，相比孤立的分割核？

主要发现

• 所提出的系统在复杂Aindra数据集上，使用检测到的核子图像进行迁移学习，实现了95.5%的训练准确率与85.7%的验证准确率。
• 在Herlev数据集上进行2类分类时，该方法使用conv1T迁移学习架构实现了99.3%的准确率，超越了所有现有方法，包括一项最先进的ANN模型（99.27%）。
• 在Herlev数据集上进行7类分类时，系统实现了93.75%的准确率，优于基准结果（61.1%），并接近ANN基线（93.78%）。
• 使用检测到的核（含背景）进行分类的准确率为93.75%，而基于分割的方法性能较低（使用真实分割时为82.33%，使用所提方法时为78.25%），表明背景上下文信息有助于分类。
• 结果表明，精确分割并非实现高精度分类的必要条件，因为仅通过包含上下文信息的核检测即可实现足够且更优的分类性能。
• 仅通过微调全连接层的迁移学习方法，相比从零开始训练新CNN，显著更快更简便，同时实现了更优或相当的性能。