[论文解读] ScanNet: A Fast and Dense Scanning Framework for Metastatic Breast Cancer Detection from Whole-Slide Images

Huangjing Lin, Hao Chen+4 more|arXiv (Cornell University)|Jul 30, 2017

AI in cancer detection参考文献 10被引用 10

一句话总结

该论文提出了一种基于全卷积网络（FCN）的快速、密集的框架ScanNet，用于在全切片图像（WSIs）中检测转移性乳腺癌。通过利用大感受野、异步数据预取和难样本挖掘，ScanNet 实现了高效推理和多偏移量的密集预测，在Camelyon16基准测试中取得了最先进的性能，FROC得分为0.8533，并在分类任务中超越了人类病理学家的表现（AUC 0.9875 vs. 0.9660）。

ABSTRACT

Lymph node metastasis is one of the most significant diagnostic indicators in breast cancer, which is traditionally observed under the microscope by pathologists. In recent years, computerized histology diagnosis has become one of the most rapidly expanding fields in medical image computing, which alleviates pathologists' workload and reduces misdiagnosis rate. However, automatic detection of lymph node metastases from whole slide images remains a challenging problem, due to the large-scale data with enormous resolutions and existence of hard mimics. In this paper, we propose a novel framework by leveraging fully convolutional networks for efficient inference to meet the speed requirement for clinical practice, while reconstructing dense predictions under different offsets for ensuring accurate detection on both micro- and macro-metastases. Incorporating with the strategies of asynchronous sample prefetching and hard negative mining, the network can be effectively trained. Extensive experiments on the benchmark dataset of 2016 Camelyon Grand Challenge corroborated the efficacy of our method. Compared with the state-of-the-art methods, our method achieved superior performance with a faster speed on the tumor localization task and surpassed human performance on the WSI classification task.

研究动机与目标

• 为解决由于极端分辨率、类别不平衡以及难以区分的假阳性病灶导致的全切片图像（WSIs）中淋巴结转移灶检测挑战。
• 开发一种计算高效的检测方法，避免在高分辨率下使用补丁分类方式，因其速度慢且冗余。
• 通过密集的多偏移量概率图重建，提高对微转移灶和宏转移灶的检测精度。
• 通过缩短每张全切片图像的处理时间，同时保持高敏感性和特异性，实现临床可行性。

提出的方法

• 采用具有大感受野的改进型全卷积网络（FCN），实现对吉字节级全切片图像的端到端高效推理。
• 网络采用异步样本预取机制，以加速训练并减少数据I/O瓶颈。
• 在训练过程中应用难负样本挖掘，以缓解大量背景区域带来的严重类别不平衡问题。
• 通过从多个空间偏移量重建概率图，生成密集预测，从而提升定位精度。
• 后处理采用形态学操作，以优化检测结果并减少假阳性。
• 引入一个简单但有效的预处理步骤，移除非信息区域，降低计算负载。

实验结果

研究问题

• RQ1 全卷积网络是否能在不采用补丁分类策略的前提下，实现对全切片图像中转移性乳腺癌的快速且准确的检测？
• RQ2 密集的多偏移量预测如何提升在高分辨率全切片图像中对微转移灶和宏转移灶的检测能力？
• RQ3 在极端类别不平衡的背景下，难负样本挖掘和异步预取在多大程度上能提升模型性能和训练效率？
• RQ4 所提出的框架是否在全切片图像级别的分类任务中超越了人类病理学家的表现？

主要发现

• ScanNet在肿瘤定位任务中取得了0.8533的FROC得分，比第二名方法（0.8074）高出4.6个百分点。
• 在全切片图像分类任务中，模型的AUC达到0.9875，优于人类病理学家的AUC（0.9660），实现了超越人类的表现。
• 难负样本挖掘的使用显著提升了性能，其中ScanNet-32的FROC得分为0.8133，而未使用该策略时仅为0.7030。
• 在单张GTX TITAN X GPU上，处理一张尺寸为200,000×100,000像素的全切片图像耗时不足15分钟，证明了其临床可行性。
• 通过多偏移量重建实现的密集预测策略，相比稀疏预测方法，显著提升了对微转移灶的检测能力。
• 该框架在Camelyon16基准测试中达到最先进水平，验证了其在真实临床环境中的有效性与高效性。