[论文解读] DeepACC:Automate Chromosome Classification based on Metaphase Images using Deep Learning Framework Fused with Prior Knowledge

Chunlong Luo, Tianqi Yu+7 more|arXiv (Cornell University)|Jun 28, 2020

Advanced Neural Network Applications参考文献 22被引用 5

一句话总结

DeepACC 提出了一种基于检测的深度学习框架，通过利用临床核型分析中的先验知识，联合定位并精细分类全中期相图像中的染色体。通过整合加法角度Margin损失（Additive Angular Margin Loss）、用于减少批次效应的孪生网络，以及针对七组分类标准的组内邻接损失（Group Inner-Adjacency Loss），该模型在包含3,390张中期相图像的临床数据集上实现了最先进性能。

ABSTRACT

Chromosome classification is an important but difficult and tedious task in karyotyping. Previous methods only classify manually segmented single chromosome, which is far from clinical practice. In this work, we propose a detection based method, DeepACC, to locate and fine classify chromosomes simultaneously based on the whole metaphase image. We firstly introduce the Additive Angular Margin Loss to enhance the discriminative power of model. To alleviate batch effects, we transform decision boundary of each class case-by-case through a siamese network which make full use of prior knowledges that chromosomes usually appear in pairs. Furthermore, we take the clinically seven group criterion as a prior knowledge and design an additional Group Inner-Adjacency Loss to further reduce inter-class similarities. 3390 metaphase images from clinical laboratory are collected and labelled to evaluate the performance. Results show that the new design brings encouraging performance gains comparing to the state-of-the-art baselines.

研究动机与目标

• 为解决自动化染色体分类中的临床问题，通过处理完整的中期相图像而非孤立的、人工分割的染色体。
• 通过利用染色体成对出现的生物学先验知识，借助孪生网络减少模型偏差和批次效应。
• 通过引入基于新设计的组内邻接损失（Group Inner-Adjacency Loss）的组级别先验知识，提升七组核型系统中类间的可分性。
• 开发一种具有临床相关性的框架，模拟真实世界中的核型分析工作流程，提升深度学习在细胞遗传学中的实际应用价值。

提出的方法

• 引入加法角度Margin损失（Additive Angular Margin Loss），通过在特征空间中拉大类间嵌入距离，增强特征的可分性。
• 采用孪生网络，为每对染色体自适应调整决策边界，减少批次效应，并利用染色体成对的生物学先验。
• 设计组内邻接损失（Group Inner-Adjacency Loss），最小化相邻核型组之间染色体的相似性，从而在嵌入空间中强制实现组级结构。
• 在3,390张标注了位置和精细分类标签的完整中期相图像上端到端训练模型。
• 采用基于检测的架构，同时实现个体染色体的定位与精细分类标签的预测。
• 将临床标准的七组核型系统作为结构归纳偏置，嵌入损失函数和模型设计中。

实验结果

研究问题

• RQ1 深度学习模型能否在保持临床相关性的前提下，联合检测并精细分类完整中期相图像中的染色体？
• RQ2 整合生物学先验（如染色体成对现象和七组核型系统）在多大程度上提升了分类性能和鲁棒性？
• RQ3 所提出的组内邻接损失（Group Inner-Adjacency Loss）在多大程度上减少了类间相似性，并改善了相邻核型组之间的区分能力？
• RQ4 加法角度Margin损失与基于孪生网络的批次效应缓解方法相结合，是否在真实临床数据上优于最先进方法？

主要发现

• 加法角度Margin损失的整合显著提升了特征可分性，从而实现了更好的类间分离。
• 孪生网络通过建模染色体成对关系，有效减少了批次效应，增强了模型在不同批次间的泛化能力。
• 组内邻接损失成功降低了相邻核型组之间染色体的相似性，提升了细粒度分类的准确性。
• 整体DeepACC框架在包含3,390张中期相图像的临床数据集上实现了最先进性能，显著优于现有基线方法。
• 该模型无需人工分割即可处理完整中期相图像，使其比以往方法更适用于临床部署。