[论文解读] Reversed Active Learning based Atrous DenseNet for Pathological Image Classification

Yuexiang Li, Xinpeng Xie+2 more|arXiv (Cornell University)|Jul 6, 2018

AI in cancer detection参考文献 22被引用 5

一句话总结

该论文提出了一种新颖的框架，结合反向主动学习（Reversed Active Learning, RAL）与空洞密集网络（Atrous DenseNet, ADN），用于病理图像分类。RAL 从训练数据中过滤掉误标记得图像块，而 ADN 在密集块中使用空洞卷积以实现多尺度特征提取，分别在 BACH 和 CCG 数据集上实现了 94.10% 和 92.05% 的平均图像块级别准确率。

ABSTRACT

Witnessed the development of deep learning in recent years, increasing number of researches try to adopt deep learning model for medical image analysis. However, the usage of deep learning networks for the pathological image analysis encounters several challenges, e.g. high resolution (gigapixel) of pathological images and lack of annotations of cancer areas. To address the challenges, we proposed a complete framework for the pathological image classification, which consists of a novel training strategy, namely reversed active learning (RAL), and an advanced network, namely atrous DenseNet (ADN). The proposed RAL can remove the mislabel patches in the training set. The refined training set can then be used to train widely used deep learning networks, e.g. VGG-16, ResNets, etc. A novel deep learning network, i.e. atrous DenseNet (ADN), is also proposed for the classification of pathological images. The proposed ADN achieves multi-scale feature extraction by integrating the atrous convolutions to the Dense Block. The proposed RAL and ADN have been evaluated on two pathological datasets, i.e. BACH and CCG. The experimental results demonstrate the excellent performance of the proposed ADN + RAL framework, i.e. the average patch-level ACAs of 94.10% and 92.05% on BACH and CCG validation sets were achieved.

研究动机与目标

• 为解决高分辨率、千兆像素级病理图像中注释的癌变区域有限的挑战。
• 减少病理图像数据集中因误标记得图像块而引起的训练数据噪声。
• 开发一种能够有效进行多尺度特征提取的深度学习架构，用于组织病理学图像分析。
• 通过优化的训练策略与先进的网络设计，提升病理图像数据集上的分类性能。
• 在真实世界病理图像基准（如 BACH 和 CCG）上验证所提出的框架。

提出的方法

• 引入反向主动学习（RAL）通过利用不确定性与分歧度量，识别并从训练集中移除误标记得图像块。
• 空洞密集网络（ADN）将空洞（atrous）卷积整合到 DenseNet 架构中，以在不增加参数量的情况下扩大感受野。
• ADN 中的 DenseNet 块被修改为使用空洞卷积，使单一网络能够实现多尺度特征学习。
• 利用 RAL 清洗后的训练集来训练 VGG-16 和 ResNets 等深度网络，提升其在病理图像上的泛化能力。
• 该框架在两个病理图像数据集（BACH 和 CCG）上进行端到端的训练与评估。
• 采用两阶段训练流程：首先，RAL 清洗数据集；其次，ADN 在清洗后的数据上进行训练以完成分类任务。

实验结果

研究问题

• RQ1 反向主动学习策略能否有效检测并移除病理图像数据集中误标记得图像块？
• RQ2 将空洞卷积集成到 DenseNet 中，如何提升组织病理学图像分类的多尺度特征提取能力？
• RQ3 所提出的 ADN + RAL 框架在基准病理图像数据集上实现了多大的性能提升？
• RQ4 通过 RAL 进行数据清洗与采用 ADN 这类专用网络架构的结合，是否能带来优于标准深度学习模型（如 VGG-16 和 ResNets）的泛化性能？
• RQ5 该框架是否能在仅有限注释的癌变区域下，对高分辨率、千兆像素级病理图像保持高准确率？

主要发现

• 所提出的 RAL 策略成功识别并移除了误标记得图像块，提升了训练数据质量与模型泛化能力。
• 空洞密集网络（ADN）通过在密集块中利用空洞卷积实现多尺度上下文聚合，取得了优越的特征表示能力。
• 在 BACH 数据集上，ADN + RAL 框架在验证集上实现了 94.10% 的平均图像块级别准确率。
• 在 CCG 数据集上，该框架在验证集上达到了 92.05% 的平均图像块级别准确率。
• 即使在注释稀疏的情况下，该框架仍表现出强劲性能，表明其对稀疏注释具有鲁棒性。
• 通过 RAL 进行数据优化与专用网络架构的结合，相较于标准模型（如 VGG-16 和 ResNets）实现了持续的性能提升。