[论文解读] Semantic Segmentation of Colon Glands with Deep Convolutional Neural Networks and Total Variation Segmentation

Philipp Kainz, Michael Pfeiffer+1 more|arXiv (Cornell University)|Nov 21, 2015

Radiomics and Machine Learning in Medical ImagingMedicine被引用 21

一句话总结

本文提出了一种用于H&E染色组织病理学切片中结肠腺体语义分割的深度学习框架，结合了两种卷积神经网络（Object-Net与Separator-Net）以及基于全变差的前景-背景分割方法，以提高准确性。该方法在测试集A和B上的组织分类准确率分别达到98.33%和93.75%，并能精确区分良性与恶性组织。

ABSTRACT

Segmentation of histopathology sections is an ubiquitous requirement in digital pathology and due to the large variability of biological tissue, machine learning techniques have shown superior performance over standard image processing methods. As part of the GlaS@MICCAI2015 colon gland segmentation challenge, we present a learning-based algorithm to segment glands in tissue of benign and malignant colorectal cancer. Images are preprocessed according to the Hematoxylin-Eosin staining protocol and two deep convolutional neural networks (CNN) are trained as pixel classifiers. The CNN predictions are then regularized using a figure-ground segmentation based on weighted total variation to produce the final segmentation result. On two test sets, our approach achieves a tissue classification accuracy of 98% and 94%, making use of the inherent capability of our system to distinguish between benign and malignant tissue.

研究动机与目标

• 解决组织病理学图像中良性与恶性结直肠癌组织中腺体结构高度多变的问题。
• 通过结合深度学习与全局最优正则化技术，提升语义分割性能。
• 在深度学习框架内采用多类别分类方法，实现对良性与恶性组织的精确区分。
• 通过学习并应用专用的分离网络，改进腺体分割，以区分接触或重叠的腺体。

提出的方法

• 预处理包括对H&E染色图像进行颜色去卷积，以分离出苏木精成分并增强组织结构，随后采用对比度受限的自适应直方图均衡化（CLAHE）以提升光照鲁棒性。
• 训练两个深度卷积神经网络：Object-Net用于将像素分类为腺体或背景，Separator-Net用于识别腺体分离结构，以解决接触腺体的问题。
• 将分类器输出结合并利用基于加权全变差的凸测地线活动轮廓公式进行正则化，通过最小化轮廓长度实现全局最优的前景-背景分割。
• 该方法采用四类像素分类设置，其中Object-Net输出背景、良性腺体、恶性腺体及分离结构的概率。
• 最终分割结果基于正则化后的分类器输出生成，通过全变差最小化过程提升形状与边界保真度。
• 通过在图像域内聚合每个像素的概率并基于良性或恶性组织的平均最大概率进行最终标签分配，完成组织分类。

实验结果

研究问题

• RQ1 与标准图像处理方法相比，基于双CNN的深度学习方法是否能显著提升H&E染色组织病理学图像中结肠腺体的语义分割性能？
• RQ2 专用分离网络在解决重叠或接触腺体方面的有效性如何？
• RQ3 全变差正则化在多大程度上提升了腺体分割的准确率与边界精度？
• RQ4 该模型能否在腺体分割与良性/恶性组织分类两方面同时实现高精度？

主要发现

• 所提方法在测试集A上的组织分类准确率达到98.33%，在测试集B上达到93.75%，表明其在区分良性与恶性组织方面表现优异。
• 引入Separator-Net显著提升了分割指标，包括F1分数、Dice系数和豪斯多夫距离，主要得益于对重叠腺体的更好处理。
• 在测试集A上，良性病例的平均决策置信度为0.84（标准差0.13），在测试集B上为0.74（标准差0.11），表明模型具有可靠的置信度。
• 在测试集A上，恶性病例的平均决策置信度为0.81（标准差0.11），在测试集B上为0.86（标准差0.15），显示模型在不同测试集上表现一致。
• 定性结果显示，该方法在复杂区域（如重叠或不规则形状腺体）中仍能有效分割腺体，仅在挑战性病例中出现少量假阳性和假阴性。
• 全变差正则化步骤成功通过最小化轮廓长度生成了全局最优分割结果，同时保持了物体边界，显著提升了形状保真度。