[论文解读] Identifying Metastases in Sentinel Lymph Nodes with Deep Convolutional Neural Networks

Richard J. Chen, Yating Jing+1 more|arXiv (Cornell University)|Aug 4, 2016

AI in cancer detection参考文献 4被引用 10

一句话总结

本研究提出了一种深度学习框架，利用经过染色归一化的全切片图像（WSI）和微调的AlexNet，检测哨兵淋巴结中的转移区域。通过应用染色归一化和基于图像块的卷积神经网络分类，该模型在全切片图像评估中实现了96%的敏感度、89%的特异度以及0.90的AUC，展示了在不同染色方案下具有鲁棒的泛化能力，且无需针对特定机构进行校准。

ABSTRACT

Metastatic presence in lymph nodes is one of the most important prognostic variables of breast cancer. The current diagnostic procedure for manually reviewing sentinel lymph nodes, however, is very time-consuming and subjective. Pathologists have to manually scan an entire digital whole-slide image (WSI) for regions of metastasis that are sometimes only detectable under high resolution or entirely hidden from the human visual cortex. From October 2015 to April 2016, the International Symposium on Biomedical Imaging (ISBI) held the Camelyon Grand Challenge 2016 to crowd-source ideas and algorithms for automatic detection of lymph node metastasis. Using a generalizable stain normalization technique and the Proscia Pathology Cloud computing platform, we trained a deep convolutional neural network on millions of tissue and tumor image tiles to perform slide-based evaluation on our testing set of whole-slide images images, with a sensitivity of 0.96, specificity of 0.89, and AUC score of 0.90. Our results indicate that our platform can automatically scan any WSI for metastatic regions without institutional calibration to respective stain profiles.

研究动机与目标

• 开发一种可泛化的深度学习模型，用于自动化检测哨兵淋巴结全切片图像中的转移区域。
• 通过减少病理科医生手动审查全切片图像时的主观性和时间负担，提升效率。
• 通过一种稳健的染色归一化技术，消除不同机构间染色差异的影响。
• 利用迁移学习方法结合AlexNet，实现高性能的全切片图像分类。
• 实现在无需针对本地染色特征重新校准的情况下，跨多种数字病理学平台的部署。

提出的方法

• 预处理包括通过HSV颜色空间转换进行组织区域分割，对饱和度通道进行中值模糊和Otsu二值化，以将组织区域与背景分离。
• 对每个256×256的图像块应用染色归一化，采用一种可泛化的技术，将源图像对齐至目标染色特征，从而降低机构间的差异性。
• 在256×256图像块上训练微调后的AlexNet模型，通过随机裁剪224×224图像块和水平翻转进行数据增强，以防止过拟合。
• 通过将来自0级图像块的预测结果映射至全切片图像金字塔的第4级，生成肿瘤概率热图，实现高效计算与可视化。
• 基于从肿瘤概率热图中提取的几何与形态学特征，训练随机森林分类器用于全切片图像级别的分类。
• 在Camelyon 2016训练集的270张全切片图像上，采用60-20-20的训练-验证-测试划分进行评估。

实验结果

研究问题

• RQ1 深度学习模型是否能在无需针对特定机构进行校准的情况下，实现对哨兵淋巴结全切片图像中转移区域的高敏感度与高特异度检测？
• RQ2 染色归一化在不同染色方案下对深度学习模型的泛化能力与性能有何影响？
• RQ3 基于图像块的分类与热图后处理在多大程度上能够提升全切片图像级别的诊断准确性？
• RQ4 采用AlexNet的迁移学习方法是否能有效检测低对比度、高分辨率全切片图像中的转移模式？
• RQ5 将肿瘤概率热图中的形态学与统计特征整合，是否能显著提升全切片图像分类性能，超越原始模型输出？

主要发现

• 染色归一化将基于图像块的分类准确率从92.7%提升至96.6%，证明其在减少染色引起的模型偏差方面具有关键作用。
• 最终的全切片图像评估结果达到0.96的敏感度、0.89的特异度以及0.90的AUC分数，表明诊断性能优异。
• 该模型在无需针对各机构染色特征重新校准的情况下，成功实现了对不同染色特征的泛化。
• 在全切片图像金字塔第4级生成的肿瘤概率热图，实现了高效且可扩展的全切片图像级别推理，计算开销极低。
• 基于均值概率、方差和肿瘤区域数量等特征训练的随机森林分类器，显著优于原始模型输出的全切片图像分类性能。
• 该框架在临床部署方面展现出潜力，可作为决策支持工具，减轻病理科医生的工作负担，同时保持高诊断准确性。