Region-Affinity Attention for Whole-Slide Breast Cancer Classification in Deep Ultraviolet Imaging

Probleemstelling

De diagnose van borstkanker vereist snelle en nauwkeurige hulpmiddelen, maar traditionele histopathologische methoden (zoals H&E-kleuring) zijn vaak te tijdrovend voor intra-operatieve toepassingen (tijdens de operatie). Deep Ultraviolet (DUV) fluorescentie-imaging biedt een label-vrij alternatief met hoge resolutie en snelheid. Echter, bestaande deep learning-methoden voor de classificatie van borstkanker op basis van DUV-Whole-Slide Images (WSI) hebben twee belangrijke beperkingen:

1. Patch-gebaseerde verwerking: Bestaande methoden splitsen grote beelden in kleine stukjes (patches), wat de ruimtelijke context en samenhang van het weefsel verstoort.
2. Onvoldoende aandachtmechanismen: Standaard mechanismen (zoals Spatial Attention, Squeeze-and-Excitation, Global Context) halen de complexe, multi-schaal regionale relaties in DUV-WSI-data niet volledig uit. Ze prioriteren vaak generieke feature-herkalibratie in plaats van specifieke diagnostische relevantie, zoals tumorgrenzen en cellulaire atypie.

Methodologie

De auteurs stellen een nieuw framework voor dat het volledige WSI-beeld verwerkt zonder te patchen, om de ruimtelijke integriteit te behouden. De architectuur bestaat uit drie hoofdblokken:

1. Ruimtelijke Representatieleren (Spatial Representation Learning):

   • Er wordt gebruikgemaakt van een voorgeïmplementeerde EfficientNetV2-B0 (CNN) om features te extraheren uit de DUV-WSI-beelden (grootte 256x256).
   • Dit levert een feature-map op die zowel lokale morfologische patronen als globale weefselstructuren codeert.

2. Region-Affinity Attention (RAA) Mechanisme:
   Dit is de kerninnovatie van het artikel. In plaats van globale interacties te berekenen (zoals bij Transformers) of alleen pixel/kanalen te herschalen, modelleert RAA de relaties tussen naburige regio's:

   • Feature Projectie: De feature-map wordt geprojecteerd naar een lagere dimensie voor efficiëntie.
   • Affiniteitsmatrix Constructie: Voor elke pixel wordt de L1-afstand berekend tot zijn lokale buren (bijv. een 3x3 venster). Deze afstanden worden verwerkt door een MLP met GELU en ReLU activeringen om een adaptieve gewichtsfunctie te leren.
   • Affiniteitsnormalisatie: Een softmax-functie converteert deze afstanden naar een affiniteitsmatrix ($A_{ij}$), waarbij buren met vergelijkbare features (diagnostisch relevante gebieden) een hogere weight krijgen.
   • Feature Reconstructie: De feature-map wordt herschreven door een gewogen som van de buren, waardoor diagnostisch belangrijke gebieden (zoals tumorgrenzen) worden benadrukt en ruis wordt onderdrukt.
   • Efficiëntie: In tegenstelling tot Transformers met kwadratische complexiteit $O((H \times W)^2)$, heeft RAA lineaire complexiteit $O(H \times W \times |K|)$ door zich te beperken tot lokale buren.

3. Classificatie en Verliesfunctie:

   • De verrijkte feature-map wordt geflatteerd en door een Multi-Layer Perceptron (MLP) gevoerd voor de uiteindelijke classificatie (goedaardig vs. kwaadaardig).
   • Dual-Objective Training: Het model wordt getraind met een combinatie van Cross-Entropy Loss (voor classificatie) en Contrastive Loss. De contrastive loss zorgt ervoor dat features van dezelfde klasse dichter bij elkaar in de feature-space komen en features van verschillende klasse verder uit elkaar worden geduwd, wat essentieel is voor het onderscheiden van subtiele morfologische verschillen.

Belangrijkste Bijdragen

• Region-Affinity Attention (RAA): Een nieuw aandachtmechanisme dat lokale buur-relaties modelleert via een leerbare affiniteitsmatrix, specifiek ontworpen voor label-vrije DUV-WSI-data.
• Patch-vrije Verwerking: Het proces werkt op het volledige beeld om ruimtelijke coherentie te behouden, wat cruciaal is voor de diagnose van tumorgrenzen.
• Dual-Loss Strategie: De integratie van contrastive supervisie met cross-entropy om de discriminatie tussen morfologisch vergelijkbare weefselklassen te verbeteren.
• Schaalbaarheid: Het mechanisme is computatie-efficiënt genoeg voor gigapixel-schaal beelden, in tegenstelling tot veel transformer-gebaseerde benaderingen.

Resultaten

Het model werd geëvalueerd op een dataset van 136 DUV-WSI borstweefselstalen met 5-voudige cross-validatie.

• Prestaties: Het RAA-model bereikte een nauwkeurigheid (accuracy) van 92,67% ± 0,73% en een AUC van 95,97%.
• Vergelijking: Het presteerde significant beter dan bestaande aandachtmechanismen zoals Spatial Attention, Squeeze-and-Excitation, Global Context en Guided Context Gating.
• Ablatie-studie:
  • Het verwijderen van de contrastive loss liet de nauwkeurigheid dalen tot 89,00%, wat het belang van deze component onderstreept.
  • De keuze van EfficientNetV2-B0 als encoder bleek superieur aan DenseNet121 en Vision Transformers (ViT) in termen van nauwkeurigheid en rekenefficiëntie.
  • Een lokale buurgrootte van 3x3 bleek optimaal; grotere vensters (5x5, 7x7) voerden slechter vanwege het introduceren van irrelevante context.
• Kwalitatieve Evaluatie: Grad-CAM++ visualisaties toonden aan dat RAA zich scherper richt op diagnostisch relevante gebieden (zoals tumorclusters) in vergelijking met andere methoden die vaak verspreide of diffuse activatiepatronen vertonen.

Betekenis en Conclusie

Deze studie introduceert een robuust en interpreteerbaar framework voor de automatische classificatie van borstkanker met behulp van DUV-imaging. Door de ruimtelijke samenhang van whole-slide beelden te behouden en dynamisch te focussen op diagnostisch relevante regio's via het RAA-mechanisme, biedt het een oplossing voor de beperkingen van huidige patch-gebaseerde methoden.

Hoewel het model momenteel beperkt is tot een dataset van één bron en geen lange-afstandsafhankelijkheden buiten vaste buren modelleert, vormt het een veelbelovende beslissingsondersteuning voor pathologen. Het kan bijdragen aan real-time intra-operatieve margin assessment, waardoor de kans op terugkeer van de tumor kan worden verminderd en de chirurgische uitkomsten kunnen worden verbeterd. Toekomstig werk zal zich richten op het uitbreiden naar multi-centrum datasets en het integreren van hiërarchische affiniteitsmechanismen.