乳腺癌病理图像分类_病理图像质量可靠性评价标准

在超像素病理图片上检测癌症的转移

本文是对Detecting Cancer Metastases on Gigapixel Pathology Images的翻译,有不对之处请指出

**摘要：**每年,美国有超过23万乳腺癌患者的治疗方案取决于位于乳腺的癌症是否发生转移.目前,对癌症转移的检测是由浏览过大量生物组织的病理专家执行的.这个过程耗费大量精力并且易出错.我们提出一个框架,它可以自动在100000x100000像素的超像素显微图像上检测并定位出100x100像素的肿瘤。我们利用了一个卷积神经网络框架进行实验并且在病变肿瘤检测任务的挑战赛上的Camelyon16数据集上取得了最好的成绩。在8个假阳性的图片上，我们对肿瘤的侦测率达到92.4%，与之相对应的，之前的最好的自动检测方法达到82.7%的检测率。相比较而言，病理学家最好的准确率为73.2%。我们在Camelyon16数据集和一个独立的110张图片数据集上达到了基于图片水平的AUC指标97%以上的分数。除此之外，我们发现在Cameloyn16的训练集中有两张图片被错误的标记成正常。我们的方案在一定程度上可有效减少癌症转移检测中的假阴性。
关键词：神经网络、病理、癌症、深度学习
1、引言
对乳腺癌的治疗和管理是取决于相应的病理期。乳腺癌分期的重要组成部分包括对乳腺附近的淋巴节点进行纤维测试以验证癌症是否发生扩散或转移。这种操作要求病理学家具有较高的专业技术并且费时、易出错，尤其是没有或小肿瘤的淋巴结点。淋巴结点癌症转移的计算机辅助诊断不仅可以提高诊断的准确率、速度，还可以提高转移诊断的一致性。
近年来，深度卷积网络在广泛的机器视觉任务中取得了准确度上的很大提升，例如：图像识别、目标检测、语义分割等方面。同时，深度卷积网络已经有成效地应用于医疗保健。
本文提出一个CNN框架来诊断淋巴结的乳腺癌转移。我们在文献[23]的基础上利用一个最新的Inception框架[20]，再加上合理的图片块采样和数据增强。尽管使用步幅128（而不是4）进行前向推理，我们将8个假阳性的图片的误差率减小了一半。同时我们发现有些方法并不能带来改观：(1)一种模仿病理学家对生物组织的检测的多尺度方法；(2)在ImageNet图像识别上预训练的模型；(3)颜色归一化。最终我们结合随机森林和[23]中提出的特征工程发现最大化函数对整张医学图片的分类很有效。
相关工作 一些较好的研究已经将深度学习应用到病理学中。Camelyon16挑战赛的冠军在有8个假阳性的图片上获得了75%的准确度，并且在图片水平的分类AUC值达到92.5%。作者用一个预采样的图片块数据集来训练Inception模型，并且用28个人工特征来训练一个随机森林分类器来预测每张图片的类型。第二个模型在一个更难的例子上进行训练，并且用两个模型预测的平均值来产生预测点。这个团队通过使用颜色归一化、加入数据增强、将移动步长从64放慢到4,这些操作最终将评价指标分别提升到82.7%和99.4%。Camelyon的组织者也曾在小数据集上训练过CNN用来检测淋巴结中的乳腺癌和前列腺癌组织。文献[12]运用CNN做分割或检测细胞核、上皮、小管、淋巴细胞、有丝分裂、浸润性导管癌和淋巴瘤。文献[7]表明CNN达到了更高的F1分