[论文解读] Convolution Neural Networks for diagnosing colon and lung cancer histopathological images

Sanidhya Mangal, Aanchal Chaurasia+1 more|arXiv (Cornell University)|Sep 8, 2020

AI in cancer detection参考文献 33被引用 86

一句话总结

对 LC25000 病理学数据集进行浅层 CNN 训练，以对肺癌和结肠癌图像进行分类，在两项任务上均实现约 98% 的准确率，且不需要复杂预处理。该研究分析了架构、训练策略和结果。

ABSTRACT

Lung and Colon cancer are one of the leading causes of mortality and morbidity in adults. Histopathological diagnosis is one of the key components to discern cancer type. The aim of the present research is to propose a computer aided diagnosis system for diagnosing squamous cell carcinomas and adenocarcinomas of lung as well as adenocarcinomas of colon using convolutional neural networks by evaluating the digital pathology images for these cancers. Hereby, rendering artificial intelligence as useful technology in the near future. A total of 2500 digital images were acquired from LC25000 dataset containing 5000 images for each class. A shallow neural network architecture was used classify the histopathological slides into squamous cell carcinomas, adenocarcinomas and benign for the lung. Similar model was used to classify adenocarcinomas and benign for colon. The diagnostic accuracy of more than 97% and 96% was recorded for lung and colon respectively.

研究动机与目标

• 推动基于病理图像的肺癌和结肠癌的计算机辅助诊断。
• 评估浅层 CNN 是否能有效分类肺部的鳞状细胞癌和腺癌，以及结肠中的腺癌。
• 表明可以在不进行过度下采样的情况下学习高分辨率病理图像。
• 提供一个训练/评估协议并发布模型工件以便复现。

提出的方法

• 使用 LC25000 数据集，五个类别每类 5000 张图像，通过增强扩展到 25,000 张。
• 构建一个三卷积层的 CNN（32、64、64 个滤波器），核大小 3x3，步幅为 2，随后是两层全连接层（512 和 3 或 2 个输出）。
• 在激活函数使用 ReLU，在每个卷积层后进行最大池化，在全连接层之间加入 dropout。
• 使用 RMSprop 训练，批量大小 32，学习率 1e-4，rho 0.9，epsilon 1e-7，损失函数为分类交叉熵，迭代 100 次。
• 在 80-10-10 的训练/验证/测试拆分上进行评估，报告图像级准确率和损失；用 TensorFlow 实现模型并分享 h5 工件。

实验结果

研究问题

• RQ1 浅层 CNN 能否将肺部病理图像准确分类为腺癌、鳞状细胞癌或良性？
• RQ2 同一架构能否在结肠病理图像中高精度区分腺癌与良性？
• RQ3 在同一数据上，用 LC25000 训练的浅层 CNN 是否优于传统机器学习方法和迁移学习方法？

主要发现

• 肺部模型训练准确率 97.9216%，损失 5.83230；验证准确率 97.8987%，损失 6.11450%。
• 结肠模型训练准确率 96.9503%，损失 7.9340%；验证准确率 96.6110%，损失 9.7141%。
• 两个模型在大约 20 轮时收敛；dropout 在准确率/损失曲线中引入变异但有助于泛化。
• 该方法表明浅层 CNN 能够在不进行大量下采样的情况下有效分类高分辨率病理图像。
• 特征图显示学习到的滤波器类似纹理型模式，类似 Gabor 滤波器，佐证了学习到的表征。