[论文解读] Deep Learning Framework for Multi-class Breast Cancer Histology Image Classification

Yeeleng S. Vang, Zhen Chen+1 more|arXiv (Cornell University)|Feb 3, 2018

AI in cancer detection参考文献 8被引用 10

一句话总结

该论文提出了一种用于多类别乳腺癌组织病理学图像分类的深度学习框架，采用Inception V3进行切片级别分类，并结合多数投票、梯度提升和逻辑回归的集成融合策略实现图像级别预测。为提高对良性及正常类别的敏感性，采用双路径网络（DPN）作为特征提取器，随后通过GBM、SVM和逻辑回归的二级集成进行分类，最终在ICAR 2018 BACH数据集上达到87.5%的准确率，较最先进方法高出12.5%。

ABSTRACT

In this work, we present a deep learning framework for multi-class breast cancer image classification as our submission to the International Conference on Image Analysis and Recognition (ICIAR) 2018 Grand Challenge on BreAst Cancer Histology images (BACH). As these histology images are too large to fit into GPU memory, we first propose using Inception V3 to perform patch level classification. The patch level predictions are then passed through an ensemble fusion framework involving majority voting, gradient boosting machine (GBM), and logistic regression to obtain the image level prediction. We improve the sensitivity of the Normal and Benign predicted classes by designing a Dual Path Network (DPN) to be used as a feature extractor where these extracted features are further sent to a second layer of ensemble prediction fusion using GBM, logistic regression, and support vector machine (SVM) to refine predictions. Experimental results demonstrate our framework shows a 12.5$\%$ improvement over the state-of-the-art model.

研究动机与目标

• 为解决准确分类乳腺癌组织病理学图像的挑战，特别是针对表现不佳的正常和良性组织类别。
• 提高对视觉相似性导致常被误分类的良性和正常组织的敏感性。
• 开发一种稳健且可扩展的深度学习流水线，利用迁移学习与集成方法进行组织病理学图像分析。
• 在ICAR 2018组织病理学图像分类大型挑战赛的四分类任务中达到最先进性能。

提出的方法

• 通过在全切片图像的裁剪区域上使用Inception V3架构，执行切片级别分类，以应对GPU显存限制。
• 利用包含多数投票、梯度提升机（GBM）和逻辑回归的集成框架，融合切片级别预测结果，实现图像级别分类。
• 为提升对良性和正常类别的敏感性，对Vahadane归一化图像微调预训练的双路径网络（DPN）作为特征提取器。
• 在DPN嵌入特征上应用二级集成融合策略，结合GBM、SVM和逻辑回归，实现良性与正常组织的二分类。
• 通过Macenko和Vahadane归一化进行数据增强，以提升模型在染色差异下的鲁棒性与泛化能力。
• 采用基于热图的后处理策略，包括类别图生成与八种图像方向的直方图融合，以增强预测的一致性。

实验结果

研究问题

• RQ1 在受限GPU显存条件下，基于Inception V3的切片级深度学习方法能否在四分类乳腺癌组织病理学图像分类中实现高准确率？
• RQ2 当整合多个切片级别预测结果时，集成融合策略在提升图像级别分类性能方面有何作用？
• RQ3 与标准模型相比，使用双路径网络（DPN）作为特征提取器是否能提升对良性和正常组织类别的敏感性？
• RQ4 两阶段集成框架（首先使用Inception V3，再通过DPN和多种分类器进行优化）在多大程度上提升了整体准确率与敏感性？
• RQ5 结合Macenko和Vahadane归一化技术与后处理策略，能否增强模型对组织病理学图像染色差异的鲁棒性？

主要发现

• 所提框架在ICAR 2018测试集上达到87.5%的整体准确率，较之前最先进模型高出12.5个百分点。
• 良性类别的敏感性提升至80%，较基线模型的66.7%提高近20个百分点。
• 正常类别的敏感性也提升至80%，高于基线模型的77.8%。
• 在优化阶段引入DPN显著提升了对具有挑战性的良性与正常组织分类任务的性能。
• 在DPN特征上结合GBM、SVM和逻辑回归的集成融合策略取得最高准确率，证明了多模型融合的有效性。
• 即使不启用优化阶段，模型仍较基线模型实现6%的准确率提升，证实了初始集成方法的价值。