乳腺分割 Classification of breast cancer histology images using transfer learning 閱讀筆記

一、數據集：

BACH 2018 grand challenge

（ICIAR 2018 Grand Challenge on BreAst Cancer Histology images）

https://iciar2018-challenge.grand-challenge.org/home/

其實算得上Camelyon 16和17 的後繼版本。

所不同的是，camelyon 16的數據只有WSI（whole slide images），比賽有兩個任務，分別是WSI分類（是否含有腫瘤）和腫瘤位置的定位。總體來說是二類任務的分類與分割。camelyon 17 數據與16有相似之處，任務也不同，不再贅述，感興趣可以去官網看看。

BACH也有兩個任務，第一個任務是相對比較小的圖片的四個階段的分類，第二個任務是WSI中不同階段的定位（算是四類的分割）。

BACH中第二個任務的圖片解析度極高，本文沒有涉及。本文所涉及的第一個任務的圖片尺寸為2048*1536 pixels（論文中寫的是2040*1536，我去官網看了一下，應該是2048）。訓練圖片分為四類normal，benign，in situ caicinoma， invasive carcinoma。每個類別有100張圖片。（這四百張其實是官方放出來的訓練數據，後續還公布了測試數據，只是作者沒有使用。）官網競賽結果已經出來了，官網即可查看。本文的結果只是訓練集上的結果。

作者採用train:validation:test = 60:20:20 的比例來隨機劃分每類圖片。

二、預處理：

1.染色歸一化：

訓練圖片均為Hematoxylin和Eosin染色再由光學顯微鏡呈現，所以色彩上會有一定的差異。需要歸一化來校正載玻片製備過程中產生的誤差。

以往的論文也會採用歸一化的手段來處理色彩差異，本文採用了不一樣的歸一化方式，呈現出的效果的確不錯，不知道最後的好結果是不是與特定的歸一化手段有關。作者關於歸一化方法是這麼說的：

In this paper, we used the approach proposed by Reinhard et al. [11] which matches the statistics of color histograms of a source and target image, following transformation of the RGB images to the de-correlated LAB color space.

其中所涉及是這篇文章：

Reinhard, E., Adhikhmin, M., Gooch, B., Shirley, P.: Color transfer between im- ages. IEEE Computer Graphics and Applications 21(5) (Sep 2001) 34-41

2. 其他處理：

由於2018*1536對於訓練來說還是過大，而每張圖片只有一個標籤。裁剪過大沒有減少網路的負載，而裁剪尺寸過小則有可能不包含標籤所指定的這一類，通常我們只有看到較大範圍的信息才能確定類別。作者選擇了50%重疊（overlap）的512*512進行裁剪。也就是，每張圖片35patches，共14000patches。標籤（label）仍然使用原圖的標籤。

每個patch同時採用旋轉（90、180、270）+ 鏡像翻轉（水平，垂直），相當於原來6倍的數據量。原來320訓練數據，現在67200訓練數據。測試集依然是80張（沒有裁剪和變換），測試集的重疊部分採用投票機制。

三、網路結構

作者使用了Google的Inception V3 和 ResNet50，使用了他們在ImageNet預訓練的參數進行fine-tune（這就是作者所說的遷移學習）。針對上述的兩個網路，作者都做了些許的改動，比如V3，作者去掉了末尾五層，增加了average global pooling，fc，softmax。ResNet50也做相應的改變。據作者說，他是想獲得全局的信息來判斷。

網路配置：SGD，batch_size=32, lr = 0.0001, momentum = 0.9

四、結果

評測指標：accuracy準確率=正確/總數 （作者分別計算了patch和全圖的準確率）

官網對於該任務的評測指標也是accuracy

作者也給出了ROC曲線，官網並沒有這個指標，但是ROC確實是醫學圖像分類常見的指標。

個人評價：

1、歸一化的部分我還需要再仔細研究一下來驗證其效果。

2、遷移學習，創新性不強，算得上baseline，同時缺乏比較。可能就是因為看起來思路過於簡單了。

3、訓練集結果過高，反觀官網給出的測試結果最高只有0.87，作者這個是否有過擬合的嫌疑有待考證。

4、數據很新，又沒有用測試集，僅僅在訓練集用了一種劃分產生了的結果很難有說服力。可能這種情況交叉驗證會好一些。但是本文創新性不夠，也沒啥可比較的……如果用了交叉驗證，別人也好和你比一比，現在這種隨機劃分一次，別人復現不出來也不好說什麼……

5、改變了網路末尾的結構只給了作者自己的想法，並沒有用實驗證明修改的正確性（感覺是硬傷）。

6、以上純屬個人瞎嘮叨，說錯了別打我。還是去看看染色歸一化吧（這數據看起來差異還真挺大的）。

推薦閱讀：