Automatická detekce metastáz v histologických obrázcích lymfatických uzlin pomocí hlubokých neuronových sítí

Abstract

Digitalizace procesu detekce rakoviny v histopatologických snímcích je předmětem výzkumu posledních let a automatizovaná počítačová analýza založená na hlubokých neuronových sítích ukázala potenciální výhody jako diagnostická strategie. V této práci vyvíjíme metodu pro řešení úlohy automatické detekce metastáz v histologických snímcích lymfatických uzlin. Motivací jsou zejména tyto tři existující soutěže z histologické oblasti: soutěž v detekci rakoviny od Kaggle, CAMELYON16 a CAMELYON17. Nejdříve je vyvinuto základní řešení využívající architekturu ResNet-50 pro klasifikaci patchů, stejně jako je definováno v Kaggle soutěži. Toto řešení je poté rozšířeno a metoda je vylepšena tak, aby prováděla segmentaci nádorů. Navrhujeme použití architektury DeepLabV3 a její porovnání s architekturami Fully Convolutional Network a UNet. DeepLabV3 se ukazuje jako nejschopnější model pro segmentaci nádorů. Následná agregace na úrovni snímků a na úrovni pacientů je implementována pomocí dvou klasifikátorů - Random forest a XGBoost. Evaluace ukazuje, že výkon obou klasifikátorů je srovnatelný. Navržené řešení je otestováno a nahráno do výše uvedených soutěží. Pro všechny tři soutěže se naše řešení ukázalo jako konkurenceschopné.

Digitisation of cancer recognition in histopathological images is researched topic in recent years, and automated computerised analysis based on deep neural networks has shown potential advantages as a diagnostic strategy. In this thesis, we develop a method for solving the task of automatic metastases detection in whole-slide lymph node images. We are motivated mainly by three existing grand challenges from the histopathologic area: Histopathologic cancer detection challenge by Kaggle, CAMELYON16 and CAMELYON17. First, the baseline solution using ResNet-50 architecture is developed in order of solving the patch classification as defined in Kaggle’s challenge. Baseline solution is then extended, and the method is improved to perform the task of tumour segmentation. We propose to use DeepLabV3 architecture and compare it with Fully Convolutional Network and UNet architectures. DeepLabV3 proves to be the most capable model for tumour segmentation. Slide-level and patient-level aggregation are implemented using two classifiers – Random forest and XGBoost. The evaluation shows that their performance is comparable. The proposed solution is tested and uploaded to the above mentioned grand challenges. For all three challenges, our solution proves to be competitive among other participants.