[论文解读] Cutting out the middleman: measuring nuclear area in histopathology slides without segmentation

Mitko Veta, P. J. van Diest+1 more|arXiv (Cornell University)|Jun 20, 2016

AI in cancer detection参考文献 11被引用 8

一句话总结

本文提出一种深度学习方法，在无需进行核分割的情况下测量组织病理切片中的核面积，通过卷积神经网络直接从以核为中心的图像块估计单个核面积。该方法在准确性方面表现优异（平均核面积的决定系数R² = 0.99），并实现了端到端的核检测与面积测量，在可重复性和效率方面优于基于分割的方法。

ABSTRACT

The size of nuclei in histological preparations from excised breast tumors is predictive of patient outcome (large nuclei indicate poor outcome). Pathologists take into account nuclear size when performing breast cancer grading. In addition, the mean nuclear area (MNA) has been shown to have independent prognostic value. The straightforward approach to measuring nuclear size is by performing nuclei segmentation. We hypothesize that given an image of a tumor region with known nuclei locations, the area of the individual nuclei and region statistics such as the MNA can be reliably computed directly from the image data by employing a machine learning model, without the intermediate step of nuclei segmentation. Towards this goal, we train a deep convolutional neural network model that is applied locally at each nucleus location, and can reliably measure the area of the individual nuclei and the MNA. Furthermore, we show how such an approach can be extended to perform combined nuclei detection and measurement, which is reminiscent of granulometry.

研究动机与目标

• 开发一种在不依赖核分割的情况下测量组织病理图像中核面积的方法。
• 评估深度学习是否能直接从以核为中心的图像块估计核面积，从而在可重复性方面优于人工评估。
• 将该方法扩展为联合检测核与估计其面积，模拟粒度分析，但使用学习到的特征代替形态学操作。
• 将所提方法与基于分割的自动测量方法及人工标注结果进行性能比较。
• 实现更快、更可靠的平均核面积（MNA）评估，作为乳腺癌的预后生物标志物。

提出的方法

• 训练一个深度卷积神经网络（CNN），从已知核位置的局部图像块中预测核面积。
• 将回归任务重新表述为对离散面积区间的分类问题，以提高训练稳定性和泛化能力。
• 在每个核位置独立且局部地应用模型，避免对完整图像进行分割。
• 通过全卷积网络联合实现核检测与面积估计，支持端到端处理。
• 利用空间冗余性和GPU加速，高效处理大尺寸吉字节级切片（在Tesla K40 GPU上处理4000×4000像素图像约需5分钟）。
• 通过Bland-Altman图、相关系数（R²）以及与人工测量的一致性界限评估性能。

实验结果

研究问题

• RQ1 是否可以不经过分割，仅通过深度学习模型直接从图像块中准确估计核面积？
• RQ2 与人工测量的一致性相比，直接面积估计方法在性能上是否优于基于分割的方法？
• RQ3 所提方法是否可扩展为以端到端方式联合执行核检测与面积估计？
• RQ4 模型架构与推理策略对计算效率与准确性有何影响？
• RQ5 与基于分割的替代方法相比，直接估计方法是否能产生更可靠的平均核面积（MNA）值？

主要发现

• 当已知核位置时，该方法在平均核面积（MNA）估计中达到决定系数R² = 0.99，表明与人工测量结果近乎完美一致。
• 在个体核面积估计中，R²为0.87，偏差较小（-2.19 ± 18.85 μm²），一致性界限适中。
• 联合检测与面积估计方法在MNA上达到R² = 0.89，偏差为-2.98 ± 9.26 μm²，尽管使用了不同的核群体，仍表现出显著一致性。
• 所提方法优于基于分割的自动测量方法（R² = 0.77，一致性界限更宽，偏差为-1.20 ± 13.50 μm²）。
• 该方法在Tesla K40 GPU上处理4000×4000像素切片仅需约5分钟，证明其在临床应用中的实际可行性。
• 结果表明，跳过分割步骤的直接面积估计方法可获得更准确、更可重复的MNA测量结果，支持其作为稳健预后生物标志物的应用。