[论文解读] Nuclei Grading of Clear Cell Renal Cell Carcinoma in Histopathological Image by Composite High-Resolution Network

Zeyu Gao, Jiangbo Shi+7 more|arXiv (Cornell University)|Jun 20, 2021

AI in cancer detection参考文献 18被引用 5

一句话总结

该论文提出了一种复合高分辨率网络（CHR-Net），用于透明细胞肾细胞癌（ccRCC）组织病理学图像中自动核分级，结合了两阶段W-Net以实现精确的核实例分割，以及双高分辨率特征提取器（HRFE）框架以解决细粒度分级中的类别间相似性问题。该方法在新引入的70,945个标注核数据集上达到最先进性能，核分级的平均精度最高提升6.82%。

ABSTRACT

The grade of clear cell renal cell carcinoma (ccRCC) is a critical prognostic factor, making ccRCC nuclei grading a crucial task in RCC pathology analysis. Computer-aided nuclei grading aims to improve pathologists' work efficiency while reducing their misdiagnosis rate by automatically identifying the grades of tumor nuclei within histopathological images. Such a task requires precisely segment and accurately classify the nuclei. However, most of the existing nuclei segmentation and classification methods can not handle the inter-class similarity property of nuclei grading, thus can not be directly applied to the ccRCC grading task. In this paper, we propose a Composite High-Resolution Network for ccRCC nuclei grading. Specifically, we propose a segmentation network called W-Net that can separate the clustered nuclei. Then, we recast the fine-grained classification of nuclei to two cross-category classification tasks, based on two high-resolution feature extractors (HRFEs) which are proposed for learning these two tasks. The two HRFEs share the same backbone encoder with W-Net by a composite connection so that meaningful features for the segmentation task can be inherited for the classification task. Last, a head-fusion block is applied to generate the predicted label of each nucleus. Furthermore, we introduce a dataset for ccRCC nuclei grading, containing 1000 image patches with 70945 annotated nuclei. We demonstrate that our proposed method achieves state-of-the-art performance compared to existing methods on this large ccRCC grading dataset.

研究动机与目标

• 为解决ccRCC组织病理学中核分级的细粒度挑战，其中各等级之间的类别间相似性使分类复杂化。
• 通过两阶段W-Net架构提高簇集和重叠核的分割精度。
• 开发一种双分支分类框架，将细粒度分级任务分解为两个跨类别分类问题，以实现更优的特征学习。
• 引入一个新数据集，包含4种类型（1–3级和内皮细胞）共70,945个核的详尽标注，用于ccRCC分级。
• 通过复合连接整合分割与分类，共享来自共享主干编码器的特征，以增强特征表示。

提出的方法

• 采用两阶段W-Net进行实例分割：第一阶段U-Net类网络预测二值前景-背景图，第二阶段预测这些图的距离图。
• 分类分支采用基于HRNet的两个高分辨率特征提取器（HRFEs），每个HRFE专门针对ISUP/WHO分级指南派生的跨类别分类任务。
• 复合连接将W-Net共享主干编码器的特征融合到HRFE分支中，以保留用于分类的高分辨率表示。
• 头部融合模块将两个HRFE分支的预测结果结合，生成最终的核分级标签。
• 模型采用端到端训练，学习率为10⁻⁴（25个epoch后降低至10⁻⁵），使用Adam优化器训练100个epoch，主干网络采用ImageNet预训练的ResNet-34。
• 在包含1,000张图像切片（共70,945个标注核）的新数据集上评估方法，评估指标包括PQ、Dice、AJI和aPQ。

实验结果

研究问题

• RQ1 两阶段分割网络能否有效分离ccRCC组织病理学图像中的簇集和重叠核？
• RQ2 将细粒度核分级分解为两个跨类别分类任务，是否相比直接多分类可提升性能？
• RQ3 在整个分类分支中保持高分辨率特征，是否能提升对低对比度、形态相似核的性能？
• RQ4 通过共享分割主干特征的复合连接是否能提升多任务学习设置下的分类准确率？
• RQ5 所提方法在大规模、细粒度ccRCC核数据集上的分割与分类性能，相较于最先进模型表现如何？

主要发现

• CHR-Net在ccRCC核分级数据集上达到最高的平均PQ分数0.7497，优于U-Net（0.7359）、Mask-RCNN、Micro-Net和HoVer-Net。
• 该方法在核分级中的平均精度（aPQ）相比U-Net提升6.82%，相比Mask-RCNN提升7.09%，相比Micro-Net提升3.51%，相比HoVer-Net提升3.9%。
• 两阶段W-Net分割分支（MHR+WDist）的Dice分数为0.8790，PQ为0.7497，显著优于单分支模型SHR（Dice：0.8692，PQ：0.6980）。
• 消融实验表明，双HRFE（MHR）相比单HRFE，使2级和3级核的PQ提升1.5–2.5%，证明了任务分解的优势。
• 即使不包含分割分支（SHR），模型在1级核（PQ：0.6376）和内皮细胞核（PQ：0.4342）上的PQ仍高于U-Net（0.5911和0.3857），证明HRFE设计的有效性。
• MHR+WDist变体相比基础SHR模型，平均PQ提升3.94%，证实了两阶段分割对分类的积极影响。