A Multi-Stage Optimization Pipeline for Bethesda Cell Detection in Pap Smear Cytology

Probleemstelling

Cervixkanker is wereldwijd een van de meest voorkomende kankers bij vrouwen. Hoewel Pap-uitstrijkjes (cytologie) cruciaal zijn voor vroege opsporing, is de huidige diagnose sterk afhankelijk van handmatige interpretatie door cytologen. Deze aanpak is arbeidsintensief, vatbaar voor menselijke fouten (zoals vermoeidheid en variabiliteit tussen waarnemers) en kan de diagnostische gevoeligheid verminderen.

Hoewel diep leren veelbelovend is voor de automatisering van celclassificatie, blijft robuuste generalisatie een uitdaging, voornamelijk door het gebrek aan grote, hoogwaardige datasets die de biologische diversiteit in de klinische praktijk weerspiegelen. Om dit gat te dichten, werd de RIVA-dataset geïntroduceerd. Dit paper richt zich op Track B van de Riva Cytology Challenge, waarbij het doel is om Bethesda-cellen (pathologische cellen) in Pap-uitstrijkjes nauwkeurig te lokaliseren met behulp van bounding boxes. De prestaties worden gemeten met de mAP50-95-metriek (mean Average Precision over IoU-thresholds van 0,50 tot 0,95).

Methodologie

De auteurs stellen een geavanceerd, meerstaps optimalisatie-pipeline voor die bestaat uit een ensemble van verschillende architecturen en een verfijningsfase.

1. Pre-processing en YOLO-training

• Aanpassing annotaties: De originele dataset bevatte uniforme 100×100 pixel annotaties die de werkelijke celmorphologie vaak niet goed weergaven. De auteurs pasten de annotaties aan naar vaste afmetingen (variërend van 10×10 tot 120×120 pixels) terwijl de centrale coördinaten behouden bleven. Empirisch bleek dat schalen van 20×20 en 50×50 pixels het meest effectief waren voor YOLO-modellen.
• YOLOv8: Er werden YOLOv8-modellen (Nano, Small, Medium varianten) getraind op een resolutie van 1024×1024. De focus lag op een hoge recall, omdat het missen van cellen klinisch gezien kostbaarder is dan valse positieven.

2. Ensemble-strategie

Om de precisie te verbeteren, combineerden de auteurs de output van twee modeltypen:

• YOLO-ensemble: Twee YOLOv8n-modellen (getraind op 20×20 en 50×50 pixels) werden gecombineerd. Duplicaten werden gefilterd op basis van een Euclidische afstandsdrempel (12 pixels) tussen de centroiden.
• U-Net integratie: Een U-Net-model met een ResNet34-backbone (vooraf getraind op ImageNet) werd gebruikt als heatmap-regressor. In plaats van bounding boxes te voorspellen, genereerde het model een heatmap van celcentra. Hoewel dit model een lagere recall had dan YOLO, bood het aanzienlijk hogere precisie.
• Fusie: De output van het YOLO-ensemble en de U-Net werden samengevoegd. Overlappende detecties werden gemiddeld, terwijl unieke detecties van beide bronnen (met een drempel van 0 voor U-Net) behouden bleven om de recall te maximaliseren.

3. Optimalisatie-pipeline (Post-processing)

De gecombineerde output onderging drie verfijningsstappen om ruis te verwijderen en de precisie te verhogen:

1. Non-Maximum Suppression (NMS): Duplicaten werden onderdrukt met een IoU-drempel van 0,75. Deze hoge drempel werd gekozen om dicht op elkaar gelegen, maar distincte cellen niet per ongeluk te samenvoegen, wat essentieel is voor de mAP50-95-metriek.
2. Ruimtelijke Dichtefiltering: Afbeeldingen werden opgedeeld in een 4×4 rooster.
   • In gebieden met hoge dichtheid (>30 detecties) werd een hogere betrouwbaarheidsdrempel (0,1) toegepast om valse positieven te filteren.
   • In gebieden met lage dichtheid (<30 detecties) werd de drempel verlaagd tot 0,001 om geïsoleerde, mogelijk pathologische cellen niet te verliezen.
3. Binair Classificatie-Refinement: Voor detecties met een zeer lage betrouwbaarheid (<0,01) werd een EfficientNet-B0 binair classifier getraind. Dit model onderscheidt echte celmorphologie van achtergrondartefacten. Het werd getraind via "hard negative mining" en gebruikte een drempel van 0,05 om valse positieven te verwijderen zonder de gevoeligheid voor pathologie te verlagen.

Belangrijkste Bijdragen

• Ensemble-architectuur: Een innovatieve combinatie van YOLO (voor hoge recall) en U-Net (voor hoge precisie), wat de sterktes van beide benaderingen benut.
• Adaptieve Pre-processing: Het dynamisch aanpassen van bounding box-afmetingen tijdens training om de morfologische variatie van cellen beter te vangen.
• Geavanceerde Post-processing: Een driedelige pipeline die rekening houdt met ruimtelijke dichtheid en een extra binair classificatiestap gebruikt om valse positieven in moeilijke gevallen te elimineren.
• Open Source: De volledige implementatie en code zijn beschikbaar gesteld, wat bijdraagt aan de reproduceerbaarheid in de medische beeldanalyse.

Resultaten

De methode werd geëvalueerd op de RIVA-validatiedataset (131 afbeeldingen) en bereikte de tweede plaats in de Riva Cytology Challenge Track B.

• Prestatiemetrics: Het uiteindelijke ensemble bereikte een mAP50-95 score van 0,6232 (op de validatieset; 0,5909 in de officiële competitie).
• Vergelijking modellen:
  • De standalone YOLOv8n (50×50) had de hoogste recall (0,9937) maar een zeer hoge hoeveelheid valse positieven.
  • De U-Net had de hoogste precisie (0,694) en F1-score (0,7425), maar lagere recall.
  • Het finale ensemble balanceerde deze factoren en leverde de beste algehele prestatie op de competitie-metriek.
• Trade-off: De optimalisatie voor mAP50-95 vereiste een lagere betrouwbaarheidsdrempel, wat leidde tot meer valse positieven. De auteurs merken op dat voor klinische toepassingen een hogere precisie (minder valse alarmen) mogelijk wenselijker is, zelfs als dit een kleine daling in de mAP-score betekent.

Betekenis

Dit werk demonstreert dat een zorgvuldig ontworpen ensemble-strategie, gecombineerd met een gespecialiseerde post-processing-pipeline, de prestaties van celdetectie in Pap-uitstrijkjes aanzienlijk kan verbeteren. De hoge recall is cruciaal voor screening (niet missen van ziekte), terwijl de verfijningsstappen helpen om de klinische bruikbaarheid te vergroten door valse alarmen te reduceren. De aanpak biedt een robuust kader voor de automatisering van cytologische analyse, wat kan bijdragen aan het verlichten van de werkdruk voor pathologen en het verbeteren van patiëntuitkomsten door vroege en accurate detectie.