[论文解读] Multi-scale Deep Learning Architecture for Nucleus Detection in Renal Cell Carcinoma Microscopy Image

Shiba Kuanar, Vassilis Athitsos+2 more|arXiv (Cornell University)|Jan 1, 2021

AI in cancer detection参考文献 31被引用 4

一句话总结

本文提出了一种用于肾细胞癌（ccRCC）组织学图像中自动核检测的多尺度深度学习架构，通过多尺度特征金字塔和显著性映射提升检测精度。该方法在400张IHC染色切片的队列中实现了86.3%的F1分数和85.73%的平均AUPR，优于现有最先进方法。

ABSTRACT

Clear cell renal cell carcinoma (ccRCC) is one of the most common forms of intratumoral heterogeneity in the study of renal cancer. ccRCC originates from the epithelial lining of proximal convoluted renal tubules. These cells undergo abnormal mutations in the presence of Ki67 protein and create a lump-like structure through cell proliferation. Manual counting of tumor cells in the tissue-affected sections is one of the strongest prognostic markers for renal cancer. However, this procedure is time-consuming and also prone to subjectivity. These assessments are based on the physical cell appearance and suffer wide intra-observer variations. Therefore, better cell nucleus detection and counting techniques can be an important biomarker for the assessment of tumor cell proliferation in routine pathological investigations. In this paper, we introduce a deep learning-based detection model for cell classification on IHC stained histology images. These images are classified into binary classes to find the presence of Ki67 protein in cancer-affected nucleus regions. Our model maps the multi-scale pyramid features and saliency information from local bounded regions and predicts the bounding box coordinates through regression. Our method validates the impact of Ki67 expression across a cohort of four hundred histology images treated with localized ccRCC and compares our results with the existing state-of-the-art nucleus detection methods. The precision and recall scores of the proposed method are computed and compared on the clinical data sets. The experimental results demonstrate that our model improves the F1 score up to 86.3% and an average area under the Precision-Recall curve as 85.73%.

研究动机与目标

• 解决肾癌病理学中手动肿瘤细胞计数存在的高观察者间差异性和耗时问题。
• 开发一种自动、客观的方法，用于检测IHC染色肾细胞癌组织学图像中的Ki67阳性核。
• 通过整合多尺度特征和局部图像区域的显著性信息，提升核检测的准确性。
• 在400张ccRCC组织学图像的临床队列上验证模型性能，并与现有最先进方法进行比较。
• 通过基于深度学习的核检测建立可靠的肿瘤细胞增殖生物标志物。

提出的方法

• 该模型采用多尺度特征金字塔，以捕捉不同感受野尺寸的上下文信息。
• 从局部有界区域提取显著性图，以突出核检测的关注区域。
• 使用回归头基于融合的多尺度特征预测核的边界框坐标。
• 该架构在IHC染色组织学图像上端到端训练，以将核分类为Ki67阳性或阴性。
• 通过跨尺度聚合特征图，增强在核大小和染色强度变化下的检测鲁棒性。
• 使用精确率、召回率、F1分数和精确率-召回率曲线下面积（AUPR）评估方法。

实验结果

研究问题

• RQ1 与现有方法相比，多尺度深度学习架构是否能提升ccRCC组织学图像中核检测的准确性？
• RQ2 从局部区域引入显著性信息在多大程度上提升了核的定位与分类性能？
• RQ3 在400张IHC染色ccRCC切片的临床队列中，该模型在F1分数和AUPR方面的表现如何？
• RQ4 多尺度特征的整合是否能减少由尺寸差异和染色异质性引起的检测错误？
• RQ5 该模型能否作为肾癌预后中Ki67表达的可靠、自动化生物标志物？

主要发现

• 所提模型实现了86.3%的F1分数，表明在核检测中精确率与召回率之间具有良好的平衡。
• 精确率-召回率曲线下面积（AUPR）的平均值达到85.73%，表明检测性能质量高。
• 在所测试的400张ccRCC组织学图像临床数据集上，该模型优于现有最先进核检测方法。
• 多尺度特征与显著性信息的整合显著提升了在多样化图像条件下的检测鲁棒性。
• 该方法通过实现自动、精确的核检测，减少了病理评估中的主观性和时间负担。
• 结果证实了该模型作为肾癌中肿瘤细胞增殖可靠生物标志物的潜力。