[论文解读] Deep Object Detection based Mitosis Analysis in Breast Cancer Histopathological Images

Anabia Sohail, Muhammad Ahsan Mukhtar+4 more|arXiv (Cornell University)|Mar 16, 2020

AI in cancer detection被引用 11

一句话总结

本文提出一种基于Mask R-CNN的两阶段深度目标检测框架，用于在乳腺癌组织病理学图像中检测有丝分裂核，利用弱标注提升精度。在TUPAC16数据集上，该方法取得了0.86的F-score，优于两阶段模型，展现出在形态多变、稀疏且外观模糊的有丝分裂核上具有强大的泛化能力。

ABSTRACT

Empirical evaluation of breast tissue biopsies for mitotic nuclei detection is considered an important prognostic biomarker in tumor grading and cancer progression. However, automated mitotic nuclei detection poses several challenges because of the unavailability of pixel-level annotations, different morphological configurations of mitotic nuclei, their sparse representation, and close resemblance with non-mitotic nuclei. These challenges undermine the precision of the automated detection model and thus make detection difficult in a single phase. This work proposes an end-to-end detection system for mitotic nuclei identification in breast cancer histopathological images. Deep object detection-based Mask R-CNN is adapted for mitotic nuclei detection that initially selects the candidate mitotic region with maximum recall. However, in the second phase, these candidate regions are refined by multi-object loss function to improve the precision. The performance of the proposed detection model shows improved discrimination ability (F-score of 0.86) for mitotic nuclei with significant precision (0.86) as compared to the two-stage detection models (F-score of 0.701) on TUPAC16 dataset. Promising results suggest that the deep object detection-based model has the potential to learn the characteristic features of mitotic nuclei from weakly annotated data and suggests that it can be adapted for the identification of other nuclear bodies in histopathological images.

研究动机与目标

• 为解决组织病理学图像中自动有丝分裂核检测的挑战，其中核形态多样，分布稀疏，且与非有丝分裂核相似。
• 在存在弱标注或边界框级别标注的情况下提升检测精度，避免对像素级分割的依赖。
• 开发一个端到端的深度学习系统，结合初始检测的高召回率与通过多目标损失函数实现的精度优化。
• 评估模型从有限标注中学习有丝分裂核特征的能力，以实现向其他核结构的潜在迁移。

提出的方法

• 将Mask R-CNN适配为两阶段目标检测框架：首先生成高召回率的候选区域，然后在第二阶段进行精度优化。
• 在第二阶段使用多目标损失函数，联合优化边界框回归、掩码预测和分类任务。
• 在TUPAC16数据集上使用弱标注的边界框进行训练，避免对像素级真实值的依赖。
• 利用ResNet-Backbone提取的深层特征，生成层次化表征，以实现对有丝分裂核的精确定位与分类。
• 采用数据增强和迁移学习技术，提升在小样本和类别不平衡数据集上的鲁棒性。
• 在推理后通过非极大值抑制和置信度阈值过滤低质量检测结果。

实验结果

研究问题

• RQ1 两阶段深度目标检测模型是否能在无需像素级标注的情况下实现有丝分裂核检测的高精度？
• RQ2 与标准两阶段检测器相比，所提出的多目标损失函数在多大程度上提升了检测精度？
• RQ3 Mask R-CNN在弱标注数据下，能在多大程度上学习到有丝分裂核的判别性特征？
• RQ4 该模型是否能很好地泛化到有丝分裂核在形态上多变且对比度低的复杂情况？

主要发现

• 所提模型在TUPAC16数据集上取得0.86的F-score，显著优于报告F-score为0.701的两阶段检测模型。
• 模型表现出高精度（0.86），表明其在视觉上与非有丝分裂核相似的情况下，仍具备强大的区分能力。
• 两阶段设计使第一阶段实现高召回率，第二阶段实现精确细化，有效平衡了敏感性与特异性。
• 即使在弱标注数据下，模型也能学习到有丝分裂核的判别性特征，表明其对标注稀缺具有鲁棒性。
• 结果表明，该模型在检测组织病理学图像中其他核结构方面具有强大潜力。