[论文解读] Sparse Autoencoder for Unsupervised Nucleus Detection and Representation in Histopathology Images

Le Hou, Vu Nguyen+5 more|arXiv (Cornell University)|Apr 3, 2017

AI in cancer detection参考文献 25被引用 4

一句话总结

本文提出一种新型稀疏卷积自编码器（CAE），用于组织病理学图像中完全无监督、端到端的细胞核检测与表征学习。通过在特征图之间施加交叉稀疏性，该CAE同时实现细胞核检测与空间及外观特征编码，在仅需监督方法5%标注数据的情况下，达到最先进性能。

ABSTRACT

Histopathology images are crucial to the study of complex diseases such as cancer. The histologic characteristics of nuclei play a key role in disease diagnosis, prognosis and analysis. In this work, we propose a sparse Convolutional Autoencoder (CAE) for fully unsupervised, simultaneous nucleus detection and feature extraction in histopathology tissue images. Our CAE detects and encodes nuclei in image patches in tissue images into sparse feature maps that encode both the location and appearance of nuclei. Our CAE is the first unsupervised detection network for computer vision applications. The pretrained nucleus detection and feature extraction modules in our CAE can be fine-tuned for supervised learning in an end-to-end fashion. We evaluate our method on four datasets and reduce the errors of state-of-the-art methods up to 42%. We are able to achieve comparable performance with only 5% of the fully-supervised annotation cost.

研究动机与目标

• 开发一种完全无监督的深度学习方法，用于在组织病理学图像中联合执行细胞核检测与表征学习。
• 消除弱监督流程中对单独、人工调优的细胞核检测步骤的需求。
• 通过无监督预训练，实现下游分类与分割网络的端到端训练。
• 通过利用无监督表征学习，显著降低对昂贵专家标注数据的依赖。
• 证明交叉稀疏性在细胞核分析任务中实现高性能的必要性。

提出的方法

• 该方法采用一种稀疏卷积自编码器（CAE），将输入图像块分解为背景与前景成分。
• 背景由编码大尺度颜色与纹理的低分辨率特征图重建，而高频残差则捕捉细胞核作为前景。
• 通过交叉稀疏性强制实现前景表征：当存在细胞核时，同一空间位置上所有特征图中的神经元同时被激活。
• 通过最小化像素级重建误差，实现网络的端到端训练，自编码器通过误差最小化隐式学习细胞核检测。
• 学习到的特征图同时编码细胞核位置与外观，支持下游分类与分割任务的微调。
• 移除池化层以保留精细空间细节，尤其关键，因为细胞核仅约20×20像素大小。

实验结果

研究问题

• RQ1 单一无监督深度网络能否在无需人工标注边界框或分割掩码的情况下，同时检测细胞核并提取其特征？
• RQ2 与标准稀疏性相比，在特征图之间施加交叉稀疏性是否能提升细胞核检测与表征学习性能？
• RQ3 使用此CAE进行无监督预训练，能在多大程度上降低下游监督任务（如分类与分割）的标注成本？
• RQ4 在性能与数据效率方面，该方法与最先进监督及半监督方法相比表现如何？
• RQ5 该无监督CAE能否在细胞核分析任务中有效微调，以实现端到端监督学习？

主要发现

• 所提出的交叉稀疏CAE在淋巴细胞丰富的区域分类任务中，相较于最佳基线SP-CNN，误差降低42%。
• 仅使用5%的标注训练数据，该方法在四个数据集中的两个上超越了完全监督基线，展现出极高的数据效率。
• 在MICCAI 2015细胞核分割挑战中，该方法取得0.8362的DICE平均值，超过挑战优胜者（0.80）与U-Net（0.7942）。
• 即使基线方法需单独调优特征提取与分类流程，该方法在单个淋巴细胞分类任务中仍使最先进无监督基线的误差降低25%。
• 消融研究证实交叉稀疏性至关重要：移除该机制会显著降低性能，验证了其在联合检测与表征学习中的关键作用。
• 网络中无池化层的设计保留了关键的空间分辨率，这是其在细胞核分割任务中优于U-Net的关键因素。