Cancer Metastasis DetectionWith Neural Conditional Random Field(NCRF)翻译

摘要：

乳腺癌诊断通常需要准确检测癌症转移节点通过划窗整个图像（WSI）。深度卷积的最新进展（CNNs）已经在医学图像分析中显示出显着的成功，特别是在计算机组织病理学方面。由于WSI图像惊人的尺寸，大多数方法都是将一张图片切分成许多小图片并独立的对每个小图片分类（这点和巨型遥感图片类似）。然而，邻近的图片通常共享空间相关性，忽略这些图片的相关性可能会导致错误的预测。在本文中，我们提出了一种神经网络条件随机场（NCRF）这一深度学习框架去检测癌症转移在WSI图像中。NCRF会考虑邻近的小图片之间的空间相关性通过全连接的CRF，直接并入CNN的顶部特征提取器。整个深度神经网络可以端到端的进行反向传播，并且CRF组件具有较小的计算开销。CNN在提取特征的时候也受益于CRF组件的相关性。通过比较没有考虑空间相关性的其他基线方法，我们表明所提出的NCRF框架得到了具有更好的视觉质量的斑点预测概率图。我们的方法在Camelyon16数据集中平均FROC得分为0.8096。

1引言：

乳腺癌是美国女性死亡的主要原因，癌症的早期诊断和治疗在医疗患者中起着至关重要的作用。其中一个最重要的早期诊断是通过显微镜检查苏木精和（H&E）染色的组织病里学载玻片来检测淋巴结的转移。近年来，病理学家一直在使用（WSI）来区分正常细胞核肿瘤细胞并定位恶性病变。但是在极大的WSI中手动检测肿瘤细胞（例如，100000*200000像素）可能是乏味且耗时的。不同的病理学家对检测结果也有着不一致的报道。参与病理学家的总体一致率为75.3%。

在最近这些年，深度卷积神经网络（CNNs）在各种自然图像的计算机视觉任务中有着卓越的提升。比如图片分类，目标检测和语义分割。同样，一些有前景的研究也应用了深度CNN来分析医学图像，特别是WSI。其中某某某使用了DCNN赢得了Camelyon16挑战。应为WSI图片具有巨大的尺寸，大多数研究者都是将WSI切分成小图片（例如：256*256像素），将这些小图片分类为正常或肿瘤。随后获得原始WSI的肿瘤或者正常分类的概率图，并基于这些概率图进行转移检测。但是，小图片和它邻近的小图片具有空间的相关性，因为小图片的切分和训练都是独立的，所以空间相关性没有明确的建模。因此在推理期间，相邻图片的预测可能不一致，原始图片级别的概率图也可能不一致，可能包含孤立的异常值。

为了明确模拟相邻两个小图片之间的空间相关性，Kong等人提出了Spatio-Net使用2D-LSTM（长短记忆网络）层来捕捉基于从CNN分类器提取小图片特征的相关性。但是，Spatio-Net使用的是两阶段训练方法，因此CNN特征提取器并没有关注小图片的空间相关性。最近，我们注意到类似的工作，也是基于CNN分类器提取邻近图片的特征对空间相关性进行建模，然后应用条件随机场（CRF）后处理重构预测的概率图。除了这两个框架存在着相同的问题之外，在CRF后处理期间存在着明显的计算开销，并且作者必须从原始高维数据中选择有限数量的特征用于在CPU上使用CRF。

在这篇文章里面，我们提出了神经条件随机场网络（NCRF）来替代通过邻近图片建立空间相关性的方法。NCRF是概率图模型，它结合了神经网络和条件随机场。它已被用于序列标记和语义分割。我们基于该文献[以后再插]将循环神经网络（RNN）替换为条件随机场，直接包含全连接的条件随机场在CNN特征提取器上，通过平均场近似推理算法获得每个小图片的边缘标签分布。整个深度神经网络采用标准的反向传播算法端到端训练，避免了后处理的阶段。因为平均场推理算法也在GPU上执行，CRF组件的引入了较小的开销并允许非常大的特征尺寸，例如512来自ResNet架构。CNN特征提取器还受益于与CRF的联合训练因为它现在知道了相邻小图片之间的空间相关性。相比不考虑小图片空间相关性的基线方法，我们证明了1）NCRF提高概率图的视觉质量，2）NCRF改进了CNN特征提取器，3）NCRF改善癌症转移检测的性能。在Camelyon16的测试集上，NCRF的最佳得分为0.8096，优于之前的最佳平均FROC得分报道0.8074。

2方法

      在这个章节，我们具体描述下所提出的的神经条件随机场NCRF模型的细节，图1显示了NC