[论文解读] Gleason Score Prediction using Deep Learning in Tissue Microarray Image

Yihong Zhang, Jing Zhang+3 more|arXiv (Cornell University)|May 11, 2020

AI in cancer detection参考文献 12被引用 4

一句话总结

本研究提出一种基于微调卷积神经网络（CNN）的深度学习方法，用于从组织微阵列（TMA）图像预测Gleason评分，利用预训练的前列腺组织分割模型提升Gleason分级分割的准确性。该方法在Gleason2019挑战赛中取得了75.6%的平均Dice分数，并列第4名，综合得分为0.778（Cohen’s kappa与F1-score的综合指标）。

ABSTRACT

Prostate cancer (PCa) is one of the most common cancers in men around the world. The most accurate method to evaluate lesion levels of PCa is microscopic inspection of stained biopsy tissue and estimate the Gleason score of tissue microarray (TMA) image by expert pathologists. However, it is time-consuming for pathologists to identify the cellular and glandular patterns for Gleason grading in large TMA images. We used Gleason2019 Challenge dataset to build a convolutional neural network (CNN) model to segment TMA images to regions of different Gleason grades and predict the Gleason score according to the grading segmentation. We used a pre-trained model of prostate segmentation to increase the accuracy of the Gleason grade segmentation. The model achieved a mean Dice of 75.6% on the test cohort and ranked 4th in the Gleason2019 Challenge with a score of 0.778 combined of Cohen's kappa and the f1-score.

研究动机与目标

• 通过在组织微阵列（TMA）图像上应用深度学习，实现前列腺癌Gleason评分的自动化预测。
• 解决病理科医生在大规模TMA数据集中手动进行Gleason分级耗时过长的问题。
• 利用预训练的前列腺组织分割模型作为先验知识，提升Gleason分级的分割准确性。
• 通过基于CNN的方法在TMA图像上实现高绩效，以应对Gleason2019挑战赛。
• 为前列腺癌诊断中的临床决策支持系统提供更快、更一致的Gleason分级方法。

提出的方法

• 使用Gleason2019挑战赛数据集对深度学习模型进行训练和评估。
• 采用预训练的卷积神经网络（CNN）进行前列腺组织分割，以指导Gleason分级分类。
• 在TMA图像上对CNN进行微调，以实现对不同Gleason分级（如3、4、5级）的像素级分割。
• 使用交叉熵损失结合焦点损失（focal loss）进行端到端训练，以缓解Gleason分级中的类别不平衡问题。
• 应用数据增强技术，提升模型在有限训练数据下的泛化能力和鲁棒性。
• 将平均Dice系数作为测试队列中分割性能的主要评估指标。

实验结果

研究问题

• RQ1 深度学习模型能否在组织微阵列（TMA）图像中准确分割Gleason分级？
• RQ2 整合预训练的前列腺组织分割模型在多大程度上提升了Gleason分级分割的性能？
• RQ3 该模型在Gleason2019数据集上的预测性能如何，具体体现在Dice分数和挑战赛排名上？
• RQ4 该模型在面对具有不同染色和组织形态的未见TMA图像时，是否具备良好的泛化能力？
• RQ5 与其他方法相比，该模型在Gleason2019挑战赛中Cohen’s kappa与F1-score的表现如何？

主要发现

• 该模型在测试队列中取得了75.6%的平均Dice分数，表明其在Gleason分级的像素级分割上表现优异。
• 该模型在Gleason2019挑战赛中排名第四，综合得分为0.778，该分数为Cohen’s kappa与F1-score的综合指标。
• 整合预训练的前列腺组织分割模型显著提升了Gleason分级分割的准确性。
• 通过数据增强和迁移学习，该方法在TMA图像质量与染色模式变化下表现出良好的鲁棒性。
• 结果表明，深度学习可有效实现Gleason分级的自动化，减少对病理科医生耗时的手动评估的依赖。
• 该模型的性能表明其在前列腺癌诊断支持系统中具备良好的临床部署潜力。