Компьютеризированная диагностика рака простаты на основе полнослайдовых гистологических изображений и методов глубокого обучения

Ковалев В. А.; Войнов Д. М.; Малышев В. Д.; Лапо Е. Д.,

Компьютеризированная диагностика рака простаты на основе полнослайдовых гистологических изображений и методов глубокого обучения

Ковалев В. А., Войнов Д. М., Малышев В. Д., Лапо Е. Д.,

2020

https://doi.org/10.37661/1816-0301-2020-17-4-48-60

Представлены результаты экспериментальных исследований и разработки средств автоматического анализа и распознавания гистологических изображений с целью получения количественных оценок наличия и степени агрессивности рака простаты в общепринятых шкалах Глисона и ISUP. В качестве исходных данных использовались 10 616 полнослайдовых гистологических изображений с размером большей стороны до 100 000 пикселов и 22 089 их фрагментов размером 256×256 пикселов. Проведена оценка эффективности решения задачи с применением как традиционных методов, так и методов глубокого обучения. В качестве финальных выбраны два решения. Первое решение основано на последовательном анализе фрагментов изображений и включает выделение признаков с использованием сети ResNet50 и последующим обобщением частных результатов распознавания с помощью небольшой сверточной сети. Второе решение базируется на одновременном анализе отобранных информативных участков, представленных в виде промежуточного псевдоизображения, и последующем его распознавании с использованием ансамбля из четырех вариантов сверточных сетей с архитектурой EfficientNetB0. В результате независимого тестирования на закрытом наборе изображений, недоступных авторам, достигнута точность предсказания финальной оценки по шкале ISUP, равная 0,9277.

Ковалев В. А., Войнов Д. М., Малышев В. Д., Лапо Е. Д., Компьютеризированная диагностика рака простаты на основе полнослайдовых гистологических изображений и методов глубокого обучения. Информатика. 2020;17(4):48-60. https://doi.org/10.37661/1816-0301-2020-17-4-48-60

Цитирование

Список литературы

1. Rawla P. Epidemiology of prostate cancer. World Journal of Oncology, 2019, vol. 10, no. 2, pp. 63–89.

2. Epstein J. I, Allsbrook W. C. Jr, Amin M. B., Egevad L. L. ISUP Grading Committee. The 2005 international society of urological pathology (ISUP) consensus conference on gleason grading of prostatic carcinoma. The American Journal of Surgical Pathology, 2005, vol. 29, iss. 9, pp. 1228–1242.

3. Camparo P., Egevad L., Algaba F., Berney D. M., Boccon-Gibod L., …, Varma M. Utility of whole slide imaging and virtual microscopy in prostate pathology. Acta Pathologica, Microbiologica, et Immunologica Scandinavica, 2012, vol. 120, iss. 4, pp. 298–304.

4. Goldenberg S. L., Nir G., Salcudean S. E. A new era: artificial intelligence and machine learning in prostate cancer. Nature Reviews Urology, 2019, vol. 16, pp. 391–403.

5. Ström P., Kartasalo K., Olsson H., Solorzano L., Delahunt B., …, Eklund M. Artificial intelligence for diagnosis and grading of prostate cancer in biopsies: a population-based, diagnostic study. The Lancet Oncology, 2020, vol. 21, iss. 2, pp. 222–232.

6. Pantanowitz L., Quiroga-Garza G., Bien L., Heled R., Laifenfeld D., …, Dhir R. An artificial intelligence algorithm for prostate cancer diagnosis in whole slide images of core needle biopsies: a blinded clinical validation and deployment study. The Lancet Digital Health, 2020, vol. 2, iss. 8, pp. e407–e416.

7. Bulten W., Balkenhol M., Belinga J.-J. А., Brilhante A., Çakır A., …, Litjens G. Artificial intelligence assistance significantly improves Gleason grading of prostate biopsies by pathologists. Modern Pathology, 2020. Available at: https://arxiv.org/abs/2002.04500 (accessed 06.08.2020).

8. Nagpal K., Foote D., Liu Y., Chen P.-H. C., Wulczyn E., …, Stumpe M. C. Development and validation of a deep learning algorithm for improving Gleason scoring of prostate cancer. Nature Partner Journal Digital Medicine, 2019, vol. 2, iss. 48, pp. 1–10.

9. Schuster C. A note on the interpretation of Weighted Kappa and its relations to other rater agreement statistics for metric scales. Educational and Psychological Measurement, April 2004, vol. 64, no. 2, pp. 243–253.

10. Luan S., Chen C., Zhang B., Han J., Liu J. Gabor convolutional networks. IEEE Transactions on Image Processing, 2018, vol. 27, no. 9, pp. 4357–4366.

11. Kovalev V., Volmer S. Color co-occurrence descriptors for querying-by-example. International Conference on Multimedia Modeling, Lausanne, Switzerland, 12–15 October 1998. Lausanne, 1998, pp. 32–38.

12. Achanta R., Shaji A., Smith R., Lucchi A., Fua P., Susstrunk S. SLIC superpixels compared to state-ofthe-art superpixel methods. IEEE Transactions on PAMI, 2012, vol. 34, no. 11, pp. 2274–2282.

13. Horn R. A., Johnson C. R. Matrix Analysis. Part 5. Norms for Vectors and Matrices. England, Cambridge University Press, 1990.

14. Macenko M., Niethammer M., Marron J., Borland D., Woosley J. T., …, Thomas N. E. A method for normalizing histology slides for quantitative analysis. 2009 IEEE International Symposium on Biomedical Imaging: From Nano to Macro, Boston, MA, USA, 28 June – 1 July 2009. Boston, 2009, pp. 1107–1110.

15. Gulli A., Sujit P. Deep learning with Keras. Packt Publishing Ltd, 2017, 318 р.

16. Rubinstein R. Y., Kroese D. P. The Cross Entropy Method: a Unified Approach to Combinatorial Optimization, Monte-Carlo Simulation (Information Science and Statistics). Berlin, Heidelberg, Springer-Verlag. 2004, 321 р.

Источник

Информация

Автор

Ковалев В. А. Объединенный институт проблем информатики Национальной академии наук; Белорусский государственный университет
Войнов Д. М. Белорусский государственный университет
Малышев В. Д. Объединенный институт проблем информатики Национальной академии наук; Белорусский государственный университет
Лапо Е. Д., Объединенный институт проблем информатики Национальной академии наук; Белорусский государственный университет

Страницы

48-60

Год издания

2020

Ключевые слова

Коллекции

Информатика