[论文解读] Unsupervised Prostate Cancer Detection on H&E using Convolutional Adversarial Autoencoders

Wouter Bulten, Geert Litjens|arXiv (Cornell University)|Apr 11, 2018

Prostate Cancer Diagnosis and Treatment参考文献 1被引用 19

一句话总结

该论文提出了一种聚类对抗自编码器（CAAE），在无需任何标注训练数据的情况下，实现对H&E染色全切片图像中前列腺癌的检测。通过使用免疫组化（IHC）作为重建目标，引导抗体驱动的特征学习，模型学习到具有区分性的组织表征，在无监督的肿瘤与非肿瘤分类中达到0.62的F1分数，且在使用额外验证标签时性能进一步提升。

ABSTRACT

We propose an unsupervised method using self-clustering convolutional adversarial autoencoders to classify prostate tissue as tumor or non-tumor without any labeled training data. The clustering method is integrated into the training of the autoencoder and requires only little post-processing. Our network trains on hematoxylin and eosin (H&E) input patches and we tested two different reconstruction targets, H&E and immunohistochemistry (IHC). We show that antibody-driven feature learning using IHC helps the network to learn relevant features for the clustering task. Our network achieves a F1 score of 0.62 using only a small set of validation labels to assign classes to clusters.

研究动机与目标

• 开发一种不依赖标注训练数据的无监督深度学习方法，用于前列腺癌检测。
• 通过将免疫组化（IHC）作为重建目标，实现抗体驱动的特征学习，以改善H&E图像中的特征学习。
• 将聚类直接整合到自编码器训练过程中，消除k-means或t-SNE等后处理步骤。
• 评估跨域重建（H&E到IHC）是否能增强网络区分肿瘤与非肿瘤组织的能力。
• 证明无监督表示学习可在异质性、噪声较大的病理学数据集中实现有意义的分类性能。

提出的方法

• 该方法使用一种聚类对抗自编码器（CAAE），包含两个潜在向量：一个聚类向量y（大小为50），通过判别器正则化，使其服从单热分布；一个风格向量z（大小为20），服从高斯分布。
• 网络训练分为三个阶段：自编码器重建损失、对y和z的判别器正则化，以及对抗训练，使潜在空间与目标分布对齐。
• 重建目标为原始H&E切片（H&E到H&E）或对应的IHC切片（H&E到IHC），后者迫使网络学习具有生物学意义的特征。
• 将编码器以滑动窗口方式应用于更大的组织区域，生成像素级的聚类分配，并以类别频率叠加图形式可视化。
• 使用每类200张标注的切片（间质、良性上皮、肿瘤）将学习到的聚类映射到生物学类别。
• 模型采用双判别器设置：一个用于聚类向量y，一个用于风格向量z，确保潜在表征的解耦与意义明确。

实验结果

研究问题

• RQ1 使用IHC作为重建目标的无监督表示学习，是否能改善H&E图像中前列腺癌检测的特征学习？
• RQ2 将聚类直接整合到自编码器训练过程中，是否能消除对后处理聚类算法（如k-means或t-SNE）的需求？
• RQ3 在肿瘤/非肿瘤分类的F1分数方面，H&E到IHC的重建性能与H&E到H&E相比如何？
• RQ4 少量标注验证切片在多大程度上可用于将学习到的聚类映射到具有生物学意义的组织类型？
• RQ5 该模型是否能在无任何标注训练数据的情况下，从异质性、噪声较大的病理学数据集中学习到具有区分性的特征？

主要发现

• 在H&E图像上重建IHC的CAAE在区分肿瘤与非肿瘤组织方面达到0.62的F1分数，显著优于H&E到H&E基线（F1 = 0.52）。
• 使用所有可用的验证标签将聚类映射到类别后，F1分数提升至0.769，表明在极小监督下具有强大潜力。
• 模型成功将特定聚类与不同组织类型关联：聚类1和2完美捕捉了间质组织，聚类5捕捉了肿瘤组织。
• 部分聚类捕捉到混合特征，如同时包含良性上皮和肿瘤，表明模型识别出复杂的形态学模式。
• t-SNE可视化证实，自编码器学习到的潜在空间具有可分性，表明网络捕捉到了有意义且具有区分性的表征。
• 将IHC作为重建目标促使了更相关的特征学习，这一点通过在更高重建难度下仍实现更优聚类性能得到验证。