[论文解读] What Can Machine Vision Do for Lymphatic Histopathology Image Analysis: A Comprehensive Review

Xiaoqi Li, Haoyuan Chen+7 more|arXiv (Cornell University)|Jan 21, 2022

AI in cancer detection被引用 4

一句话总结

本篇综述全面评估了用于淋巴管组织病理学图像分析的机器视觉技术，重点聚焦于基于深度学习的分割、分类与检测方法。研究突出显示U-Net是主导的分割方法，并表明深度学习特征优于传统手工设计特征，在滤泡性淋巴瘤图像中分类滤泡结构的准确率最高可达90.35%。

ABSTRACT

In the past ten years, the computing power of machine vision (MV) has been continuously improved, and image analysis algorithms have developed rapidly. At the same time, histopathological slices can be stored as digital images. Therefore, MV algorithms can provide doctors with diagnostic references. In particular, the continuous improvement of deep learning algorithms has further improved the accuracy of MV in disease detection and diagnosis. This paper reviews the applications of image processing technology based on MV in lymphoma histopathological images in recent years, including segmentation, classification and detection. Finally, the current methods are analyzed, some more potential methods are proposed, and further prospects are made.

研究动机与目标

• 系统回顾过去十年中机器视觉在淋巴管组织病理学图像分析中的应用。
• 分析淋巴瘤诊断中图像预处理、分割、特征提取、分类与检测方法的演变。
• 识别当前方法的局限性，并提出可解释性、高效性与高准确性深度学习系统未来的发展方向。
• 利用Camelyon与IICBU-2008等基准数据集评估最先进方法的性能。
• 评估机器视觉在支持病理学家进行淋巴瘤计算机辅助诊断方面的临床潜力。

提出的方法

• 回顾2010至2022年期间关于淋巴管组织病理学中机器视觉的100余项研究，重点关注图像预处理、分割、特征提取、分类与检测。
• 采用U-Net作为图像分割的主要深度学习架构，尤其在淋巴结与滤泡区域检测中表现突出。
• 应用k-means聚类与颜色-纹理特征提取（通过颜色空间转换与共生矩阵）实现滤泡结构的无监督分割。
• 采用霍夫变换与强度阈值法进行细胞核检测，随后通过神经模糊分类器区分中心母细胞（CBs）与非CBs。
• 在分类任务中对比卷积神经网络（CNNs）等深度学习特征与传统手工设计特征（颜色、纹理、形状）的表现。
• 使用标准指标（如分割准确率，例如83.09 ± 6.25%）与分类F1得分评估方法性能，数据集包括Camelyon与IICBU-2008。

实验结果

研究问题

• RQ1 自2010年以来，机器视觉技术在淋巴管组织病理学图像分析中如何演变？
• RQ2 针对淋巴瘤组织切片，最有效的图像预处理、分割与特征提取方法是什么？
• RQ3 基于深度学习的特征在分类淋巴瘤亚型方面，相较于传统手工设计特征的优越程度如何？
• RQ4 当前方法在检测与分类关键组织学结构（如滤泡与中心母细胞）方面的准确性如何？
• RQ5 在开发临床可部署、可解释且高效的淋巴瘤诊断机器视觉系统方面，面临的主要挑战与未来方向是什么？

主要发现

• U-Net已成为淋巴管组织病理学图像分割中的主导深度学习架构，显著优于传统聚类方法，显著提升了准确率。
• 在分类与检测任务中，深度学习特征始终优于手工设计特征（如颜色、纹理、形状），尤其在复杂淋巴瘤亚型中表现更优。
• 神经模糊分类器在滤泡性淋巴瘤中对中心母细胞（CBs）的检测准确率达到90.35%，优于支持向量机（SVM）、AdaBoost、神经网络与决策树。
• 采用k-means与颜色-纹理特征的分割方法在免疫组化染色图像上实现了83.09 ± 6.25%的平均准确率，证明了其在滤泡区域检测中的鲁棒性。
• Camelyon与IICBU-2008数据集是评估淋巴瘤图像分析系统性能的广泛使用基准，支持可重复的性能比较。
• 尽管已取得进展，但在可解释性、计算效率与临床环境中的部署方面仍面临挑战，尤其是在新冠疫情后医疗人工智能需求激增的背景下。