[论文解读] Cytology Image Analysis Techniques Towards Automation: Systematically Revisited

Shyamali Mitra, Nibaran Das+4 more|arXiv (Cornell University)|Mar 17, 2020

AI in cancer detection参考文献 172被引用 5

一句话总结

本文系统综述了过去30年细胞学图像分析技术，重点聚焦宫颈、乳腺和肺细胞学的分割与分类方法，以推动癌症诊断的自动化。本文综合了最先进方法，识别关键挑战，并为智能细胞学系统的临床部署提出未来研究方向。

ABSTRACT

Cytology is the branch of pathology which deals with the microscopic examination of cells for diagnosis of carcinoma or inflammatory conditions. Automation in cytology started in the early 1950s with the aim to reduce manual efforts in diagnosis of cancer. The inflush of intelligent technological units with high computational power and improved specimen collection techniques helped to achieve its technological heights. In the present survey, we focus on such image processing techniques which put steps forward towards the automation of cytology. We take a short tour to 17 types of cytology and explore various segmentation and/or classification techniques which evolved during last three decades boosting the concept of automation in cytology. It is observed, that most of the works are aligned towards three types of cytology: Cervical, Breast and Lung, which are discussed elaborately in this paper. The user-end systems developed during that period are summarized to comprehend the overall growth in the respective domains. To be precise, we discuss the diversity of the state-of-the-art methodologies, their challenges to provide prolific and competent future research directions inbringing the cytology-based commercial systems into the mainstream.

研究动机与目标

• 为解决缺乏涵盖多种细胞学类型及其图像分析技术的综合性综述的问题。
• 识别并分析过去三十年间为实现自动化细胞学诊断而开发的分割与分类算法。
• 突出展示宫颈、乳腺和肺细胞学在技术演进与系统开发方面的进展，这三者是研究最深入的领域。
• 对实现高性能、临床可行的自动化细胞学系统所面临的挑战与瓶颈进行批判性评估。
• 提出未来研究方向，以推动先进图像分析技术集成到主流商业细胞学诊断平台中。

提出的方法

• 基于解剖来源对17种细胞学类型进行系统性文献回顾，对宫颈、乳腺和肺细胞学进行深入分析。
• 对细胞学图像处理中使用的分割与分类技术进行分类与对比分析。
• 评估标本制备方法，包括传统制备法与液基制备法（如ThinPrep、SurePath），以评估其对图像质量的影响。
• 回顾固定与染色方案（如Papanicolaou、MGG、Gram染色）及其对形态学特征提取的影响。
• 综合1990年至2023年间开发的最先进自动化系统，以评估细胞学自动化技术的进展。
• 识别重复出现的挑战，如细胞核不规则性、细胞质异质性及染色变异性，并提出相应的技术解决方案。

实验结果

研究问题

• RQ1 在不同类型的细胞学中，自动化细胞学图像分析中占主导地位的分割与分类技术是什么？
• RQ2 标本制备与染色方法如何演变？它们对图像质量和诊断准确性有何影响？
• RQ3 阻碍自动化细胞学系统广泛采用的关键技术与临床挑战是什么？
• RQ4 宫颈、乳腺和肺细胞学领域中，自动化系统在性能与设计上存在哪些差异？
• RQ5 在推动自动化细胞学图像分析系统临床部署方面，哪些未来研究方向最具前景？

主要发现

• 宫颈、乳腺和肺细胞学是自动化图像分析中研究最深入的领域，分割与分类方法取得了显著进展。
• 液基制备法（如ThinPrep、SurePath）通过减少伪影、背景污染和细胞重叠，显著提升了图像质量。
• Papanicolaou和MGG等染色方案对增强细胞核与细胞质对比度至关重要，有助于更优的形态学特征提取。
• 尽管已取得进展，细胞核形状与大小的可变性、细胞质异质性以及染色不一致性仍是自动化的主要瓶颈。
• 最先进的系统已从半自动工具演变为集成平台，但由于性能与可靠性方面的担忧，临床采纳仍有限。
• 未来研究应聚焦于开发稳健且可泛化的算法，以应对真实临床环境中多样的染色与制备差异。