[论文解读] Cribriform pattern detection in prostate histopathological images using deep learning models

Malay Singh, Emarene Kalaw+8 more|arXiv (Cornell University)|Oct 9, 2019

AI in cancer detection被引用 5

一句话总结

本论文提出了一种基于深度学习的系统，用于在19名患者的H&E染色全切片图像中自动检测筛状模式。通过将微调的卷积神经网络（VGG16、VGG19、Inception-v3）与手工设计的细胞核特征及多层感知机相结合，该方法在未见测试集上实现了88.04%的准确率，优于当前最先进的基于细胞核特征的方法。

ABSTRACT

Architecture, size, and shape of glands are most important patterns used by pathologists for assessment of cancer malignancy in prostate histopathological tissue slides. Varying structures of glands along with cumbersome manual observations may result in subjective and inconsistent assessment. Cribriform gland with irregular border is an important feature in Gleason pattern 4. We propose using deep neural networks for cribriform pattern classification in prostate histopathological images. $163708$ Hematoxylin and Eosin (H\\&E) stained images were extracted from histopathologic tissue slides of $19$ patients with prostate cancer and annotated for cribriform patterns. Our automated image classification system analyses the H\\&E images to classify them as either `Cribriform' or `Non-cribriform'. Our system uses various deep learning approaches and hand-crafted image pixel intensity-based features. We present our results for cribriform pattern detection across various parameters and configuration allowed by our system. The combination of fine-tuned deep learning models outperformed the state-of-art nuclei feature based methods. Our image classification system achieved the testing accuracy of $85.93~\\pm~7.54$ (cross-validated) and $88.04~\\pm~5.63$ ( additional unseen test set) across three folds. In this paper, we present an annotated cribriform dataset along with analysis of deep learning models and hand-crafted features for cribriform pattern detection in prostate histopathological images.

研究动机与目标

• 为解决Gleason分级中高程度的观察者间与观察者内变异，通过自动化前列腺组织病理学中的筛状模式检测来应对这一挑战。
• 开发一种可靠且客观的分类系统，以区分筛状与非筛状模式，这对准确诊断Gleason模式4至关重要。
• 创建一个公开可获取的、经人工标注的筛状模式数据集，以支持未来数字病理学与人工智能驱动的癌症分级研究。
• 评估使用预训练深度神经网络（如VGG、Inception、DenseNet）进行迁移学习在筛状模式检测中的性能。
• 将手工设计的细胞核纹理与空间特征与深度学习特征相结合，以提升分类的鲁棒性。

提出的方法

• 该系统使用来自19名前列腺癌患者的163,708张H&E染色全切片图像，人工标注了筛状与非筛状模式。
• 使用迁移学习在数据集上对预训练的深度学习模型（VGG16、VGG19、Inception-v3、DenseNet-121、DenseNet-169、ResNet-50）进行微调。
• 基于细胞核的纹理、空间分布及形态学特性，提取手工设计的细胞核特征，以捕捉筛状模式的特异性。
• 使用多层感知机（MLP）将深度学习特征与手工设计的细胞核特征进行融合，以提升分类性能。
• 通过3折交叉验证和一个额外的未见测试集对模型进行评估，以确保泛化能力。
• 将输入图像调整为多种尺度（16×16至256×256像素），以评估尺度敏感性并优化性能。

实验结果

研究问题

• RQ1 微调的深度神经网络是否能以高准确率有效检测前列腺组织病理学图像中的筛状模式？
• RQ2 当与深度学习特征结合时，手工设计的细胞核特征在筛状模式检测中起到了何种作用？
• RQ3 将深度学习特征与手工设计的细胞核特征融合，是否能提升分类性能，优于单独使用任一方法？
• RQ4 在不同输入图像尺度下，模型性能在筛状模式检测中如何变化？
• RQ5 从预训练模型进行迁移学习是否能为这一专业组织病理学分类任务实现最先进水平的结果？

主要发现

• 通过MLP将深度学习特征与手工设计的细胞核特征融合，在交叉验证测试中达到85.93% ± 7.54的准确率。
• 表现最佳的模型（使用Inception-v3并融合特征）在独立的未见测试集中达到88.04% ± 5.63的准确率。
• 微调后的Inception-v3在交叉验证中优于其他单一模型，达到88.18% ± 5.99的准确率。
• 将手工设计的细胞核特征与深度学习特征结合，性能优于单独使用任一方法，表明二者具有互补优势。
• VGG19和VGG16也表现出色，分别在交叉验证中达到86.78% ± 6.97和85.65% ± 6.68的准确率。
• 该系统优于当前最先进的基于细胞核特征的方法，验证了混合深度学习与手工设计特征方法的有效性。