[论文解读] DeepSDCS: Dissecting cancer proliferation heterogeneity in Ki67 digital whole slide images

Priya Narayanan, Shan E Ahmed Raza+4 more|arXiv (Cornell University)|Jun 28, 2018

AI in cancer detection参考文献 9被引用 8

一句话总结

该论文提出 DeepSDCS，一种基于 VGG16 的 SDCS 网络提取的超列描述符的深度学习框架，可同时检测并分割全切片图像中的 Ki67 阳性与阴性癌细胞、间质细胞和淋巴细胞。在活检和全切片图像测试集上分别实现了 99.06% 和 89.59% 的准确率，优于传统机器学习方法，在无需经验性阈值的情况下，对弱染色核的检测表现更优。

ABSTRACT

Ki67 is an important biomarker for breast cancer. Classification of positive and negative Ki67 cells in histology slides is a common approach to determine cancer proliferation status. However, there is a lack of generalizable and accurate methods to automate Ki67 scoring in large-scale patient cohorts. In this work, we have employed a novel deep learning technique based on hypercolumn descriptors for cell classification in Ki67 images. Specifically, we developed the Simultaneous Detection and Cell Segmentation (DeepSDCS) network to perform cell segmentation and detection. VGG16 network was used for the training and fine tuning to training data. We extracted the hypercolumn descriptors of each cell to form the vector of activation from specific layers to capture features at different granularity. Features from these layers that correspond to the same pixel were propagated using a stochastic gradient descent optimizer to yield the detection of the nuclei and the final cell segmentations. Subsequently, seeds generated from cell segmentation were propagated to a spatially constrained convolutional neural network for the classification of the cells into stromal, lymphocyte, Ki67-positive cancer cell, and Ki67-negative cancer cell. We validated its accuracy in the context of a large-scale clinical trial of oestrogen-receptor-positive breast cancer. We achieved 99.06% and 89.59% accuracy on two separate test sets of Ki67 stained breast cancer dataset comprising biopsy and whole-slide images.

研究动机与目标

• 解决大规模乳腺癌队列中自动化 Ki67 评分缺乏可泛化、高准确度方法的问题。
• 克服临床 IHC 切片中染色异质性和染色质分布不均导致的弱染色 Ki67 阴性核检测挑战。
• 开发统一的流程，实现无需人工干预的细胞边界标注，同时完成细胞检测、分割和分类。
• 与人工方法相比，提高 Ki67 增殖评分的可重复性，并减少观察者间与观察者内差异。
• 通过稳健的端到端深度学习框架，支持在大规模临床试验中对自动化 Ki67 评分进行临床验证。

提出的方法

• 基于微调的 VGG16 训练一个同步检测与细胞分割（SDCS）网络，用于检测细胞中心点并生成初始分割掩膜。
• 通过聚合多个卷积层的激活图，提取超列描述符，整合多尺度语义与空间信息，以提升定位精度和特征表示能力。
• 利用这些超列描述符，通过随机梯度下降优化器传播特征，以在无需细胞区域像素级真实标签的情况下，优化核检测与分割。
• 将分割输出的种子输入空间约束卷积神经网络（SCNN），对四类细胞进行最终分类：Ki67 阳性癌细胞、Ki67 阴性癌细胞、间质细胞和淋巴细胞。
• 引入组织区域掩膜以抑制盖玻片伪影，提升在全切片图像上的鲁棒性。
• 该方法仅需训练期间的中心点标注，与完整实例分割相比，显著降低了标注负担。

实验结果

研究问题

• RQ1 基于超列的特征融合是否能提升在染色异质的 IHC 染色全切片图像中对弱染色 Ki67 阴性核的检测能力？
• RQ2 与依赖手工设计纹理特征的传统机器学习方法相比，采用超列描述符的 SDCS 网络在细胞分割与分类准确率方面提升程度如何？
• RQ3 统一的深度学习流程能否同时实现对 Ki67 染色乳腺癌切片中多种细胞类型的准确检测、分割与分类？
• RQ4 该方法在包括活检和全切片图像在内的多种样本类型中，于大规模临床队列中的表现如何？
• RQ5 仅使用中心点标注是否能实现可扩展且高效的训练，同时保持高分类准确率？

主要发现

• DeepSDCS 框架在活检图像测试集上达到 99.06% 的准确率，在全切片图像测试集上达到 89.59% 的准确率，展示了在不同样本类型中的高性能表现。
• 与依赖手工纹理特征的传统机器学习方法相比，使用超列描述符显著提升了对弱染色 Ki67 阴性核的检测能力。
• 该方法消除了对分割中经验性阈值的依赖，而传统基线方法则依赖 Otsu 阈值法和距离变换。
• 视觉检查显示，与基于 SVM 的纹理方法相比，SDCS 方法显著减少了将 Ki67 阳性细胞误分类为 Ki67 阴性细胞的情况。
• 该框架成功对间质细胞和淋巴细胞进行分类，使肿瘤微环境的深入分析超越了单纯的增殖评分。
• 由于仅依赖中心点标注，该方法具备可扩展性，与完整实例分割相比，显著减少了标注时间和工作量。