[论文解读] Manifold Learning & Stacked Sparse Autoencoder for Robust Breast Cancer Classification from Histopathological Images.

Sawon Pratiher, Subhankar Chattoraj|arXiv (Cornell University)|Jun 18, 2018

AI in cancer detection被引用 11

一句话总结

该论文提出了一种结合流形学习与堆叠稀疏自编码器的深度学习框架，用于从组织病理学图像中实现鲁棒、近实时的多类别乳腺癌分类。在BreakHis数据集上，该方法实现了95.8%的准确率，并在腺样型癌识别方面相比最先进方法提升了38.2%；在200X放大倍数下准确率达到99.3%，二分类分级的敏感度达到100%。

ABSTRACT

Histopathological images (HI) encrypt resolution dependent heterogeneous textures & diverse color distribution variability, manifesting in micro-structural surface tissue convolutions. Also, inherently high coherency of cancerous cells poses significant challenges to breast cancer (BC) multi-classification. As such, multi-class stratification is sparsely explored & prior work mainly focus on benign & malignant tissue characterization only, which forestalls further quantitative analysis of subordinate classes like adenosis, mucinous carcinoma & fibroadenoma etc, for diagnostic competence. In this work, a fully-automated, near-real-time & computationally inexpensive robust multi-classification deep framework from HI is presented. The proposed scheme employs deep neural network (DNN) aided discriminative ensemble of holistic class-specific manifold learning (CSML) for underlying HI sub-space embedding & HI hashing based local shallow signatures. The model achieves 95.8% accuracy pertinent to multi-classification & 2.8% overall performance improvement & 38.2% enhancement for Lobular carcinoma (LC) sub-class recognition rate as compared to the existing state-of-the-art on well known BreakHis dataset is achieved. Also, 99.3% recognition rate at 200X & a sensitivity of 100% for binary grading at all magnification validates its suitability for clinical deployment in hand-held smart devices.

研究动机与目标

• 解决从组织病理学图像中进行多类别乳腺癌分类的挑战，此类分析通常仅限于良性与恶性两类。
• 克服癌细胞高度一致性和组织病理学图像中纹理/颜色变化多样的问题，这些因素阻碍了准确分类。
• 实现鲁棒、计算高效且接近实时的分类，适用于在手持临床设备上部署。
• 超越二分类，提升对腺osis、黏液性癌和纤维腺瘤等代表性不足亚类的识别能力。
• 在多个放大倍数下实现高性能，尤其针对Lobular癌等具有挑战性的亚类。

提出的方法

• 采用判别性集成的全局类特定流形学习（CSML），以嵌入组织病理学图像中的潜在子空间。
• 结合HI哈希技术，从组织病理学图像中提取局部浅层特征表示，以增强特征表达。
• 利用堆叠稀疏自编码器学习分层、鲁棒且低维的组织病理学图像特征表示。
• 将流形学习与基于自编码器的特征学习整合到统一的深度神经网络（DNN）框架中，实现端到端分类。
• 优化模型以实现计算效率与低延迟，支持在资源受限的手持设备上部署。
• 在著名的BreakHis数据集上，于多个放大倍数（如200X）下进行训练与验证。

实验结果

研究问题

• RQ1 深度学习框架能否有效从组织病理学图像中对多种乳腺癌亚型进行分类，包括罕见或代表性不足的类别？
• RQ2 类特定流形学习与稀疏自编码器的结合在多大程度上提升了特征表示与分类准确率？
• RQ3 与最先进方法相比，该方法在整体准确率与亚类识别方面，特别是在Lobular癌识别上的表现如何？
• RQ4 该模型是否能在不同放大倍数下保持高性能，尤其是在200X这一对诊断至关重要的分辨率下？
• RQ5 考虑到其计算效率与高敏感度，该框架是否适合在手持临床设备上实现实时部署？

主要发现

• 所提出的框架在多类别BreakHis数据集上实现了95.8%的分类准确率，显著优于现有最先进方法。
• 与先前方法相比，该模型在Lobular癌识别方面提升了38.2%，展现出对具有挑战性的亚类更强的识别能力。
• 在200X放大倍数下，模型识别率达到99.3%，表明其在高分辨率诊断水平下表现优异。
• 系统在所有放大倍数下均实现了100%的敏感度，确保在区分良性与恶性组织时无假阴性。
• 该框架计算效率高，适合在手持智能设备上实现近实时部署，支持床旁诊断。
• CSML与HI哈希的结合增强了特征区分能力，尤其在处理组织病理学图像中的纹理与颜色变化方面表现突出。