Enhancing Histopathological Image Classification via Integrated HOG and Deep Features with Robust Noise Performance

1. Probleemstelling

Histopathologische beeldanalyse is cruciaal voor ziektediagnose, maar staat voor aanzienlijke uitdagingen door de enorme omvang van Whole Slide Images (WSI's) en de ingewikkelde, complexe kenmerken die moeilijk te modelleren zijn met eenvoudige wiskundige vergelijkingen. Hoewel Deep Learning (DL) de geautomatiseerde diagnostiek heeft verbeterd, kampen bestaande methoden vaak met:

• Kenmerkrepresentatie: Uitsluitend vertrouwen op hoog-niveau abstracte kenmerken kan kritieke laag-niveau textuur- en randinformatie missen.
• Robuustheid: Veel modellen degraderen aanzienlijk wanneer de beeldkwaliteit wordt aangetast door ruis (lage Signaal-Ruisverhouding of SNR), wat voorkomt in klinische beeldvorming in de echte wereld.
• Prestatiekloven: Traditionele Machine Learning (ML) technieken presteren vaak minder goed dan pure DL-benaderingen, maar pure DL-modellen kunnen breekbaar zijn onder ruisomstandigheden.

De studie heeft tot doel deze kloven te dichten door traditionele handgemaakte kenmerken te integreren met deep learning-kenmerken en de robuustheid van deze hybride modellen te evalueren tegen variërende ruisniveaus.

2. Methodologie

Het onderzoek gebruikte de LC25000-dataset, bestaande uit 25.000 kleurgewijzigde histopathologische beelden over vijf klassen: colonadenocarcinoom, goedaardig colonaal weefsel, longadenocarcinoom, longplaveiselcelcarcinoom en goedaardig longweefsel.

Het experimentele raamwerk omvatte drie hoofdbenaderingen:

A. Fine-tuned InceptionResNet-v2 als Classificator

• Het vooraf getrainde InceptionResNet-v2-netwerk werd fine-tuned voor directe classificatie.
• Architectuur: Twee aangepaste convolutieblokken werden toegevoegd (128 kernels van 7x7 en 256 filters van 5x5), gevolgd door een volledig verbonden laag.
• Optimalisatie: Stochastic Gradient Descent (SGD) met momentum (0,9) en een piecewise leerplanschema.

B. Diepe Kenmerkextractie + ML-classificatoren

• Kenmerkextractie: Beelden werden verwerkt via het InceptionResNet-v2-netwerk, waarbij hoog-niveau kenmerken werden geëxtraheerd uit de 'avg pool' laag.
• Augmentatie: Willekeurige rotaties (0°, 90°, 180°, 270°) en translaties werden toegepast om de data-diversiteit te vergroten.
• Classificatie: Deze diepe kenmerken werden ingevoerd in vijf verschillende ML-modellen: Decision Tree, Gradient Boosting Machine (GBM), k-Nearest Neighbors (KNN), Neural Network (NN) en Support Vector Machine (SVM).
• Afstemming: Hyperparameters werden geoptimaliseerd met Bayesian Optimization.

C. Geïntegreerde HOG en Diepe Kenmerken

• Hybride Benadering: Histogram of Oriented Gradients (HOG) kenmerken werden geëxtraheerd (celgrootte 128x128) uit beelden die waren herschaald naar 299x299 pixels.
• Concatenatie: HOG-kenmerken werden samengevoegd met de diepe kenmerken van InceptionResNet-v2 om een uitgebreid kenmerkvector te creëren.
• Classificatie: Dezelfde vijf ML-modellen werden getraind op deze gecombineerde kenmerkset.

D. Robuustheidsevaluatie (SNR-analyse)

• Om veerkracht te testen, werd additief Gaussisch ruis toegepast op de dataset op drie Signal-to-Noise Ratio (SNR) niveaus: 40dB (lage ruis), 35dB (matig) en 30dB (hoge ruis).
• De modelprestaties werden opnieuw geëvalueerd voor alle drie methoden onder deze ruisomstandigheden.

3. Belangrijkste Bijdragen

1. Nieuwe Kenmerkintegratie: De studie introduceert een methode die HOG-kenmerken (die rand- en textuurdetails vastleggen) combineert met diepe kenmerken (die hoog-niveau abstracties vastleggen). Deze hybride aanpak benut de sterke punten van zowel traditionele computervisie als moderne DL.
2. Robuustheid Benchmarking: In tegenstelling tot veel studies die alleen nauwkeurigheid rapporteren op schone data, evalueert dit artikel systematisch de modelweerstand tegen variërende SNR-niveaus en identificeert welke architecturen prestaties behouden in ruisomgevingen.
3. Prestatie-Overleg: De studie toont aan dat modellen getraind op diepe kenmerken (vooral in combinatie met HOG) significant beter presteren dan zowel het standalone fine-tuned netwerk als modellen die alleen traditionele kenmerken gebruiken.

4. Belangrijkste Resultaten

A. Prestaties op Schone Data

• Fine-tuned Classificator: De standalone fine-tuned InceptionResNet-v2 behaalde 96,01% nauwkeurigheid en 96,8% AUC.
• Alleen Diepe Kenmerken: Modellen getraind op diepe kenmerken presteerden aanzienlijk beter dan de standalone classificator.
  • Neural Network (NN): Behaalde de hoogste prestatie met 99,99% AUC en 99,72% nauwkeurigheid.
  • GBM: 99,77% AUC, 98,05% nauwkeurigheid.
  • KNN & SVM: Beide overschreden 99% AUC.
• Geïntegreerde HOG + Diepe Kenmerken:
  • De combinatie verbeterde de prestaties voor de meeste modellen verder.
  • Neural Network: Bereikte 99,99% AUC en 99,84% nauwkeurigheid (het piekresultaat van de studie).
  • GBM: Verbeterd naar 99,9% AUC en 98,73% nauwkeurigheid.
  • SVM: Behaalde 99,96% AUC.

B. Robuustheid tegen Ruis (SNR-impact)

• Standalone Classificator: De prestaties stortten in naarmate de ruis toenam, dalend van 80,16% (40dB) naar 27,44% (30dB).
• Diepe Kenmerkmodellen: Toonden grotere veerkracht.
  • GBM en KNN waren het meest robuust. Bij 30dB (hoge ruis) behield GBM >80% nauwkeurigheid, en KNN behield ~75%.
  • Neural Network en SVM zagen een scherpere daling in omgevingen met hoge ruis in vergelijking met GBM/KNN.
• Geïntegreerde HOG + Diepe Kenmerken:
  • Hoewel de prestaties bij 40dB vergelijkbaar waren met alleen diepe kenmerken, verbeterde de toevoeging van HOG de robuustheid bij lagere SNR-niveaus (30-35dB) niet significant in vergelijking met alleen diepe kenmerken. In sommige gevallen was de prestatie iets lager dan de aanpak met alleen diepe kenmerken in scenario's met hoge ruis.

5. Betekenis en Conclusie

De studie concludeert dat het integreren van deep learning met traditionele kenmerkextractie een krachtig raamwerk creëert voor histopathologische classificatie.

• Optimale Configuratie: Het Neural Network-model getraind op gecombineerde HOG en diepe kenmerken leverde de hoogste nauwkeurigheid (99,84%) op schone data.
• Ruisweerstand: Voor klinische toepassingen waar de beeldkwaliteit kan variëren, bleken GBM- en KNN-modellen getraind op diepe kenmerken het meest betrouwbaar, waarbij ze zelfs onder aanzienlijke ruis (30dB) een hoge nauwkeurigheid behielden.
• Klinische Impact: De bevindingen suggereren dat hoewel pure deep learning krachtig is, hybride benaderingen en specifieke ML-classificatoren (zoals GBM/KNN) superieure betrouwbaarheid bieden voor vroege ziektedetectie en gepersonaliseerde behandelplanning, met name onder niet-ideale beeldvormingsomstandigheden.

Dit onderzoek biedt een robuust pad voor het ontwikkelen van geautomatiseerde diagnostische hulpmiddelen die niet alleen uiterst nauwkeurig zijn, maar ook veerkrachtig tegen de praktische uitdagingen van digitale pathologie in de echte wereld.