⃝++++可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 7（2021）440www.elsevier.com/locate/icte一个基于机器学习的框架，用于帮助病理学家对乳腺癌细胞进行分级和计数Sreeraj M. a，Jestin Joyb，a印度喀拉拉邦Alappuzha Sree Ayyappa学院计算机科学系b印度喀拉拉邦联邦科学技术研究所CSE系接收日期：2020年12月20日;接收日期：2021年2月14日;接受日期：2021年2月16日在线预订2021年摘要乳腺癌通常发生在男性和女性的乳腺细胞中，但在女性中很突出。计算机辅助检测增加了早期检测和诊断的机会。本文提出了一种使用核异型性评分（NAS）的乳腺癌检测方法。所提出的癌症检测方法通过将每个癌组织转换为对象来工作。随着检测等级，提出的机制给出了检测到的细胞的计数。这有助于病理学家确定细胞是否是癌细胞或不沿每种类型的计数在MITOS-ATYPIA-14挑战数据集上评价了拟定模型准确度为0.89，精密度为0.87是用最好的方法得到的。结果表明，所提出的机器学习技术具有更好的性能相比，现有的方法，可以帮助病理学家在检测过程中c2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：乳腺癌; NAS评分;机器学习;深度学习1. 介绍在过去几年中，癌症已成为世界人口中威胁生命的疾病。在各种癌症中，乳腺癌被确定为导致妇女死亡的最常见癌症。早期发现有助于降低死亡率.乳腺X线摄影、MRI扫描和超声扫描是诊断乳腺癌的主要技术。然而，最终的决定只能在疑似区域的活检样本和病理学家分析的帮助下做出。钼靶X线检查阳性的病例，活检后可能为阴性。因此，活检是确认癌症的强制性过程。病理学家主要依靠活检来确定癌症的级别和恶性程度。NGS（诺丁汉分级系统）基于3个特征，即（1）小管形成（2）有丝分裂计数和(3)核异型（NA）。核异型比较细胞核的结构与细胞结构。等级通常在∗ 通讯作者。电子邮件地址：sreeraj. gmail.com（Sreeraj M.），jestinjoy@gmail.comwww.example.com Joy）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2021.02.005从1到3，然后将它们加在一起以得到最小和最大分数，其中最小分数为3（111），最大分数为9（333）。NGS的特点可以共同地或单独地用于分级。计算机辅助诊断（CAD）的使用已经变得非常重要。Wolberg等人[1]表明，计算机辅助分析技术的重要性提高了测量核级尺寸、纹理特征和形状的质量和准确性。CAD系统减少了人工劳动，提高了精度。基于CAD系统的文献中 的 各 种 研 究 表 明 ， CAD 系 统 优 于 手 动 评 分 。 F.Schnorrenberg等人[2]对基于CAD的分级和手动分级进行了比较。在CAD系统的帮助下，已经进行了许多主题的研究。对于NA评分，主要使用机器学习算法。它建立在预处理、分割、特征提取和分类等技术基础上。每一个都必须单独完成，并且需要时间。Chekkoury等人[3]提出了一种用于乳腺恶性肿瘤检测的CAD系统。它包括图像处理、特征提取和分类。对于分类，主要使用SVM（支持向量机）分类器。Cosatto等人[4]和Lu，Cheng和Ji等人[5]提出了基于SVM的分类用于核不典型评分。研究还进行了2405-9595/2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。Sreeraj M.和j.喜悦ICT Express 7（2021）440441≤≤{}i联系我们=：=∗∗联系我们=大小 工会联系我们作 者 ： P. Faridi 和 H. Danyali 等 人 [6] ， Khan ， AdnanMujahid等人[7]，Das等人[8]和Dalle，Jean-Romain，Li等人[9]关于核异型评分。P. Maqlin和Thamburaj等人[10]，F.A. 斯 潘 霍 尔 和 奥 利 维 拉 等 [11] ， H. Rezaeilouyeh andMollahosseini et al. [12] ， Tao Wan and Jiajia Cao et al.[13]，and J. Xu and Zhou et al. [14].对于特征提取，TaoWan 和 Jiajia Cao 等 人 [13] 采 用 了 基 于 卷 积 神 经 网 络（CNN）的像素级（纹理）和对象级（架构）特征。研究H。Rezaeilouyeh和Mollahosseini等人[12]利用剪切波系数的直方图对癌组织进行分类。J. Xu和Zhou等人[14]使用多分辨率卷积网络（MR-CN）和多元投票（MR-CN-PV）模型进行自动NAS和上皮（EP）和基质（ST）组织区分。N. Bayramoglu等人[15]提出了两种架构;用于恶性肿瘤预测的单任务CNN和同时用于恶性肿瘤和图像放大水平的多任务CNN。Benzheng Wei等人[16]将BiCNN分类方法用于乳腺癌组织病理学图像。同时，还提出了一种增强的癌区图像边缘特征。C. Lu等人[17]建议一种基于图像处理和 机 器 学 习 的 NAS 计 算 机 辅 助 技 术 。 A.M. Khan 和Sirinukunwattana等人[18]提出了使用区域协方差描述符的NAS。基于计算机辅助基因组的研究存在于文献[19，20]中，用于预测治疗方法。本文提出了一种基于深度学习的技术，NAS。它通过提供有关检测到的细胞数量及其类型的详细信息来帮助病理学家。由于检测到的区域被标记的建议的工具，它有助于病理学家在决策过程中。2. 系统设计该系统以癌变组织为对象，设计了相应的检测技术.考虑图像S O N1，O N1，. . .，O Nn，其中O Nio1，o2，o2，. . . .，o n是对应于每个NAS类型N的n个对象的集合，其中1 N =3。癌细胞根据其大小、形状和其他形态特征的变化分为1、2和3级。1级为低血糖，这意味着细胞高度分化，3表示高分化，即细胞很少分化。该系统分为目标检测、目标定位和目标检测三个阶段。基于Sermanet等人的滑动窗口算法通过CNN实现对象检测。2013 [21]。因此，大小为416X416X 3的输入图像在尺度13X 13、26X 26和52X 52上进行检测。这意味着CNN可以检测三种不同大小的特征图，分别为步幅32，16，8。因此，它有助于检测各种大小的物体（癌细胞）。通过对象定位，我们可以定位对象在图像中使用边界框。 这将有助于病理学家定位癌细胞。因此，每个输出变为[Pc，bx，by，bw，bh，Cnti]T，其中Pc=Fig. 1. 爱你图二、N A S 对 象 上 的 边界框预测。max（P（ci）i1， 2， 3），并利用边界框参数[bx，by，bw，bh，Cnti]抑制最大概率的其余部分，其中ci是NAS类型，Cnti是每个NAS类型i i1， 2， 3的计数。边界框参数如图所示。二、每个等级的细胞被认为是一个对象类。也就是说，1级细胞是1类，2级是2类，3级是3类细胞。因此，三类对象被考虑用于对象检测。 我们仅考虑具有Pc>0的值的边界框。6并丢弃任何剩余的边界框，I oU≥0。其中I oU=交叉点的大小，如图5所示。Fig.1.人们可以使用一些偏移量来创建称为锚的某些边界框，并使用对数变换进行预测。这是因为在训练过程中由于不稳定的梯度而在实践中难以预测边界框。许多边界框在NAS类型对象上重叠，但只有一个具有最高I oU的锚点被选择。每个图像被划分成网格，其中cx和cy作为网格的左上坐标，如图2所示。t x，t y，tw，th是网络的预测，bx，by被认为是中心的坐标，bw，bh是我们预测的宽度和高度。pw和ph是锚的尺寸。边界框先验是基于具有k 9的K均值聚类计算的，并且在每个单元格处使用3个锚来预测3个边界框。因此，总大小为10647（52 52）（26 26）的边界框1313））3)减少到3。涉及三个基本步骤在预测过程中。1. 根据等级标记单元格2. 图像上对应等级的预测定位3. 计算总计数在此之后，病理学家得到一个输出图像，其中包含不同细胞的等级及其计数。有些图像可能有多个等级，如果出现这种情况，系统会显示每个等级的数量并标记每个等级。Sreeraj M.和j.喜悦ICT Express 7（2021）440442图3.第三章。 输出带有分级单元格的图像。然后将输出图像与等级类型以及每个单元格的计数相结合。由此，病理学家可以容易地对细胞进行分级。细胞分级的输出如图所示。3 .第三章。3. 实验装置本研究使用的数据集是国际模式识别会议（ICPR）发布的MITOS-ATYPIA-14数据集。ICPR在MITOS-ATYPIA-14数据集上使用NAS（核异型性评分）进行了乳腺癌检测的挑战。比赛包括两个部分，即有丝分裂计数和核多形性。HE（苏木精和伊红）染色载玻片包括在数据集中。然后使用两个载玻片扫描仪（即Hamamatsu Nanozoomer2.0-HT和放大倍数为X10、X20和X40的Aperio ScanscopeXT）对其进行扫描。然后将数据集分为两部分，其中80%作为训练集，其余作为测试集。图像通过2尺度分解以分层方式被分割成块，然后应用滑动窗口算法以获得大小为416X 416X 3的期望输入。然后，每个分解的图像被传递用于对象检测，并且获得对应于每个NAS类型的边界框。这将创建与每个NAS类型对象的大小相对应的监督数据集。这个增强过程有助于获得足够的样本进行训练和测试。在正则化参数和预训练权重的帮助下，在这个实验中避免了过拟合问题为了预测等级，需要训练系统以进行输入图像的对象检测、定位和分类。该架构由32层组成，包括卷积层，最大池化层和重组层。这些层从具有32个内核滤波器的卷积层开始，其大小为3X 3/ 1，然后是大小为2X 2/ 1的最大池化层。卷积层和最大池化层分别用大小为3X 3/ 1和2X 2/ 1的64个内核滤波器重复。接下来的三个层是具有内核滤波器128、64和128的卷积层，并且尺寸分别为3X 3/ 1、 1X1/ 1和3X 3/ 1，随后是具有2X 2/ 1尺寸的最大池化层。随后的三层由卷积层组成，卷积层具有256，128，256个核滤波器，大小分别为3X3/ 1， 1X 1/ 1和3X 3/1。倒数第二个最大池化层的大小为2X 2/ 1。接下来的五个层是卷积层，交替层分别具有大小为3X 3/ 1和1X 1/ 1的内核滤波器512和256。最后一个最大池化层的大小为2X 2/ 1其次是4个卷积层，分别具有大小为1024 512和3X 3/ 1 1X 1/ 1的内核滤波器。这之后再次是接下来的三个层，这些层是具有大小为3X 3/ 1的内核滤波器1024的卷积层，之后是指示级联动作的路由层之一。它有16个内核过滤器。第二十六层是一个卷积层，有64个内核过滤器，大小为1X 1/ 1，然后是重组层，它重塑了特征图。它减小了通道的大小并增加了通道的数量，而不改变第二个路由层后面的元素。倒数第三层和倒数第二层分别是具有大小为3X 3/ 11X 1/ 1的内核滤波器1024 40的卷积层。架构的最后一层称为检测层。4. 结果将所得结果与Lu，Cheng和Ji等人[5]，Khan，AdnanMujahid等人[7]，Xu，Jun和Zhou等人[14]和Das等人[8]提出的乳腺癌检测技术进行了比较。Lu使用SVM分类器进行核异型评分。Khan的方法使用机器学习算法进行评分。Xu使用深度学习方法进行核异常评分，并使用CNN分类器进行分类。Das等人[8]提出了一种基于机器学习的所 提 出 的 方 法 比 较 了 算 法 - YOLO-V3 ， tiny-YOLO ，YOLO-V2和YOLO-V1 [22，23]基于目标检测技术。与其它方法相比，本文所讨论的方法给出了其它方法没有讨论过的细胞计数。图4示出了为辅助病理学家而开发的工具。开发的图形用户界面（GUI）具有上传图像的功能，它标记检测到的细胞，并输出计数。该工具具有通过添加一组新图像进行训练的功能。系统的效率进行了评估，使用不同的评价指标，基于所提出的系统如何分级的癌区域。准确性是最重要的评价指标之一。它根据等级测量正确分类的癌细胞的数量。图图5说明了不同算法（Tiny YOLO、YOLO v1、YOLO v2和YOLO v3）在不同时期的准确性。据观察，3200个历元给出了更好的精度。结果示于表1中。结果表明，YOLO-V3和tiny-YOLO优于所有其他比较方法，如[5，7，8]和[14]。对于AperioHamamatsu 数 据 集 的 组 合 ， YOLO-V1 、 YOLO-V2 、YOLO-V3和tiny-YOLO方法的NA评分为评估指标提供了出色的性能。四种算法的精度均高于[5，7]和[14]的方法。YOLO-V3具有更好的准确度（0.8984）和最低的分类误差（0.1016）。它的F1得分为0.8924。结果在表1中进行了总结。 在Aperio Hamamatsu数据集YOLO-V3和tiny-YOLO的组合中，提供了灵敏度，特异性和精确度的最佳性能。 其值分别 为0.9074、0.8906、 0.8779和 0.8927、0.8732、0.8575。高灵敏度有助于病理学家检测不同类型的癌症。Sreeraj M.和j.喜悦ICT Express 7（2021）440443图四、 图形用户界面（GUI）。图五、不 同 时期不同算法的准确性。表1Aperio Hamamatsu数据集NA评分的性能比较。方法技术准确度精密度YOLO-V3 0.89 0.87可以很容易地识别它是否是癌或不与每一种计数。结果表明，基于对象检测的方法可以帮助NAS，并帮助病理学家更快，更准确的决策过程。CRediT作者贡献声明Sreeraj M.：概念化，方法论，软件，写作-审查编辑，写作-原始草案。Jestin Joy：可视化，方法论，数据策展，写作-评论编辑。竞合利益作者声明，他们没有已知的可能影响本文所报告工作引用[1] W.H.沃尔伯格，W.N.斯特里特，D.M.海塞岛计算机核分级与乳腺癌 预 后 ， 分 析 。 定 量 17 （ 4 ） （ 1995 ） 257-264 ， URLhttp ：//europepmc. org/a该方法Das等人[八]《中国日报》迷你YOLO 0.88 0.85YOLO-V2 0.84 0.8b秘书长的说明/MED/8526950。[2] F. Schnorrenberg，手动和计算机辅助乳腺癌活检分级的比较，在：IEEE医学和生物学工程学会第18届年度国际会议论文集，卷。3，IEEE，1996，pp.1166-1167年。A. Chekkoury，P. Khurd，J. Ni，C. Bahlmann，A. Kamen，A.帕特尔湖Grady，M.辛格，M。Groher，N. Navab等人，乳腺组织病理学图像中的自动恶性肿瘤检测，载于：Medical Imaging2012：Computer-Aided Diagnosis ， 第 8315 卷 ， International SocietyforOptics and Photonics，2012，831515。[4] E.科萨托，M. Miller，H.P. Graf，J.S. Meyer，组织学显微照片上的核多形性分级，2008年第19届国际模式识别会议，IEEE，2008年，第10 0 页。一比四[5] C.卢，M.吉，Z.妈，M。Mandal，高功率场组织病理学图像中核小体的自动图像分析，J. Microsc. 258（3）（2015）233-240。[6] P. Faridi，H. Danyali，M.S. Helfroush，文学硕士Jahromi，乳腺癌组织病理学图像中细胞核多形性分割的自动系统，在：2016年IEEE医学和生物学信号处理研讨会（SPMB），2016年，pp. 1http://dx.doi.org/10。1109/SPMB.2016.7846861。本文提出了一种基于深度学习的乳腺癌使用核异型性评分（NAS）进行癌症检测。所提出的方法有助于检测图像中细胞的等级以及它们的计数。考虑了使用- YOLO-V3、tiny-YOLO、YOLO-V2和YOLO-V1的四种不同技术随着组织计数的获得，病理学家[7] A.M. Khan，K. Sirinukunwattana，N.杨文，一种用于乳腺组织病理学图像核异常评分的全局协方差描述符，IEEEJ。BioMed. 健康资讯19（5）（2015）1637[8] A. Das，M.S. Nair，S.D. Peter，在黎曼流形上学习字典的稀疏表示用于乳腺癌细胞核多形性的自动分级，IEEE Trans.Image Process。28（3）（2019）1248KSCDL-logE0.830.61SCDL-AIRM0.780.52GkNN-LogE0.830.86Khan等人[七]《中国日报》GkNN-仿射0.810.85GkNN-Stein0.820.86Xu et. al. [14个]深度学习0.790.825. 结论YOLO-V10.810.77线性SVM0.740.24Lu等人[5]Poly-SVM0.770.45RBF-SVM0.740.24[3]第一章Sigmoid-SVM0.740.24Sreeraj M.和j.喜悦ICT Express 7（2021）440444[9] J. - R. Dalle，H. Li，C.-，中国地质大学学报（自然科学版），2003 - 11 H.黄伟光Leow，D.拉科西亚努Putti，通过选择性细胞核检测进行核多形性评分。见：WACV，2009年。[10] P. Maqlin，R. Thamburaj，J.J. Mammen，M.T. Manipadam，使用深度神经网络在乳腺癌组织病理学图像中进行自动核多形性评分，在：国际采矿智能和知识探索会议上，Springer，2015年，pp. 269-276。[11] F.A. Spanhol，L.S. 奥利维拉角 珀蒂让湖 Heutte，A数据集乳腺癌组织病理学图像分类，IEEE Trans. BioMed. Eng. 63（7）（2015）1455[12] H. Rezaeilouyeh ， A. Mollahosseini ， M.H. Mahoor ， Microscopicmedicalimageclassificationframeworkviadeeplearningandshearlettransform，J. Med. 影像学3（4）（2016）044501。[13] T. Wan，J. Cao，J. Chen，Z. Qin，使用级联集成与多级图像特征组合的乳腺癌组织病理学自动分级，Neurocomputing 229（2017）34-44，http：//dx。doi.org/10.1016/j.neucom.2016.05.084，大医学图像数据计算技术的进展。网址http://www.sciencedirect.com/science/article/pii/S0925231216305471。[14] J.Xu ， C. 周 湾 朗 角 ， 澳 - 地 Liu ， Deep learning for tissuepathologicalimage analysis ： Towards computerized diagnosis oncancers，in：DeepLearning and Convolutional Neural Networks forMedical ImageComputing，Springer，2017，pp. 七十三比九十五[15] N. Bayramoglu，J. Kannala，J. Heikkilä，深度学习用于独立于放大率的乳腺癌组织病理学图像分类，在：2016年第23届国际模式识别会议（ICPR），IEEE，2016年，pp. 2440-2445[16] B.魏，Z.汉，X.他，Y. Yin，基于深度学习模型的乳腺癌组织病理学图像分类，2017年IEEE第二届云计算和大数据分析国际会议（ICCCBDA），IEEE，2017年，pp. 348-353[17] C.卢，M.吉，Z.妈，M。Mandal，高功率场组织病理学图像中核小体的自动图像分析，J. Microsc. 258（3）（2015）233-240。[18] A.M. Khan，K. Sirinukunwattana，N.杨文，一种用于乳腺组织病理学图像核异常评分的全局协方差描述符，IEEEJ。BioMed. 健康资讯19（5）（2015）1637[19] A.A. Tabl，A. Alkhateeb，W.埃尔马拉吉湖Rueda，A. Ngom，一种用于识别指导乳腺癌治疗的基因生物标志物的机器学习方法。Genet. 10（2019）256，http：//dx.doi.org/10.3389/fgene.2019.00256，URLhttps://www.frontiersin。org/article/10.3389/fgene.2019.00256.[20] A.A. Tabl， A. Alkhateeb ，H.Q. 范湖 Rueda ，W. ElMaraghy ，A.Ngom，一种新的方法，用于确定乳腺癌生存率的相关基因对特定疗法，Evol。生物信息。14（2018）1176934318790266.[21] P. Sermanet，D. Eigen，X. Zhang，M.马蒂厄河 Fergus，Y. Le-Cun ， Overfeat ： Integrated recognition ， localization and detectionusing convolutional networks ， 2013 ， arXiv preprintarXiv ：1312.6229.[22] J. Redmon，S.迪夫瓦拉河Girshick，A. Farhadi，你只看一次：统一，实时对象检测，在：2016年IEEE计算机视觉和Pttern识别会议（CVPR），2016年。[23] J. Redmon，A. Farhadi，Yolov 3：增量改进，2018，arXiv预印本arXiv：1804.02767。
我的内容管理
展开
