[论文解读] Ensemble of CNN classifiers using Sugeno Fuzzy Integral Technique for Cervical Cytology Image Classification

Rohit Kundu, Hritam Basak+4 more|arXiv (Cornell University)|Aug 21, 2021

AI in cancer detection参考文献 29被引用 8

一句话总结

该论文提出了一种新颖的模糊集成方法，采用Sugeno模糊积分来融合三个预训练CNN模型——Inception v3、DenseNet-161和ResNet-34——的决策分数，用于宫颈细胞学图像的自动分类。通过根据各模型的置信度分数自适应地加权分类器，该方法在Mendeley LBC数据集上实现了99.48%的最先进准确率，优于传统的融合技术及单个模型。

ABSTRACT

Cervical cancer is the fourth most common category of cancer, affecting more than 500,000 women annually, owing to the slow detection procedure. Early diagnosis can help in treating and even curing cancer, but the tedious, time-consuming testing process makes it impossible to conduct population-wise screening. To aid the pathologists in efficient and reliable detection, in this paper, we propose a fully automated computer-aided diagnosis tool for classifying single-cell and slide images of cervical cancer. The main concern in developing an automatic detection tool for biomedical image classification is the low availability of publicly accessible data. Ensemble Learning is a popular approach for image classification, but simplistic approaches that leverage pre-determined weights to classifiers fail to perform satisfactorily. In this research, we use the Sugeno Fuzzy Integral to ensemble the decision scores from three popular pretrained deep learning models, namely, Inception v3, DenseNet-161 and ResNet-34. The proposed Fuzzy fusion is capable of taking into consideration the confidence scores of the classifiers for each sample, and thus adaptively changing the importance given to each classifier, capturing the complementary information supplied by each, thus leading to superior classification performance. We evaluated the proposed method on three publicly available datasets, the Mendeley Liquid Based Cytology (LBC) dataset, the SIPaKMeD Whole Slide Image (WSI) dataset, and the SIPaKMeD Single Cell Image (SCI) dataset, and the results thus yielded are promising. Analysis of the approach using GradCAM-based visual representations and statistical tests, and comparison of the method with existing and baseline models in literature justify the efficacy of the approach.

研究动机与目标

• 解决深度学习分类中公开宫颈细胞学数据集可用性低的挑战。
• 在传统集成方法使用固定或启发式权重的基础上，进一步提升分类性能。
• 开发一种自适应融合策略，根据各分类器的置信度分数动态调整其重要性。
• 通过深度学习与模糊逻辑的结合，提升自动化宫颈癌筛查的诊断准确率与可靠性。
• 在多个基准数据集（包括单细胞图像与全切片图像）上展示优越性能，以支持临床部署。

提出的方法

• 利用迁移学习，采用三个预训练的CNN架构——Inception v3、DenseNet-161和ResNet-34——进行特征提取与决策分数生成。
• 采用Sugeno模糊积分作为非加性模糊测度，融合多个分类器的决策分数，以捕捉互补信息。
• 模糊积分通过结合反映各模型在单个样本上可靠性与置信度的模糊测度，计算最终预测结果。
• 模糊测度基于各分类器在验证集上的表现推导得出，从而实现在每个输入样本上对分类器进行动态重加权。
• 应用Grad-CAM以增强可解释性，分析注意力图并验证模型决策。
• 通过McNemar检验进行统计验证，确认性能提升在统计上具有显著性。

实验结果

研究问题

• RQ1 与传统融合技术相比，基于模糊积分的集成方法是否能提升宫颈细胞学图像分析中的分类准确率？
• RQ2 基于分类器置信度分数的自适应加权策略，在小样本、类别不平衡的生物医学数据集上表现如何？
• RQ3 Sugeno模糊积分在宫颈癌分类中，相较于固定权重或多数投票集成策略，优势体现在多大程度上？
• RQ4 在多CNN集成框架中，各模型特有的置信度分数对最终融合结果有何影响？
• RQ5 通过Grad-CAM生成的视觉注意力图，与误分类或正确分类样本中的临床诊断特征之间存在何种关联？

主要发现

• 所提出的基于Sugeno模糊积分的集成方法在Mendeley LBC数据集上实现了99.48%的分类准确率，显著优于单个模型及基线融合方法。
• 在SIPaKMeD WSI数据集上，该方法达到了96.33%的准确率，表明其在具有复杂细胞形态的全切片图像上具有鲁棒性。
• 在SIPaKMeD SCI数据集上，模型准确率达到98.54%，表明其在图像质量存在差异的单细胞图像上也具备出色的泛化能力。
• McNemar检验在所有比较中均确认了统计显著性（p < 0.05），拒绝了原假设，证明该集成方法优于每个独立分类器。
• Grad-CAM可视化结果显示，模型聚焦于具有生物学意义的区域，如细胞核与细胞质，从而增强了可解释性与临床信任度。
• 误分类主要源于图像层面的标签模糊性、单幅图像中存在多种细胞类型或图像质量差，而非模型本身失效。