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

1. Declaração do Problema

A análise de imagens histopatológicas é crítica para o diagnóstico de doenças, mas enfrenta desafios significativos devido ao tamanho massivo das Imagens de Lâmina Completa (WSIs) e às características intrincadas e complexas que são difíceis de modelar com equações matemáticas simples. Embora a Aprendizagem Profunda (DL) tenha avançado os diagnósticos automatizados, os métodos existentes frequentemente lutam com:

• Representação de Características: Confiar exclusivamente em características abstratas de alto nível pode perder informações críticas de textura e borda de baixo nível.
• Robustez: Muitos modelos degradam-se significativamente quando a qualidade da imagem é comprometida por ruído (baixa Relação Sinal-Ruído ou SNR), o que é comum na imagem clínica do mundo real.
• Lacunas de Desempenho: Técnicas tradicionais de Aprendizado de Máquina (ML) frequentemente têm desempenho inferior em comparação com abordagens puras de DL, no entanto, modelos puros de DL podem ser frágeis sob condições ruidosas.

O estudo visa preencher essas lacunas integrando características manuais tradicionais com características de aprendizagem profunda e avaliando a robustez desses modelos híbridos contra níveis variados de ruído.

2. Metodologia

A pesquisa utilizou o conjunto de dados LC25000, compreendendo 25.000 imagens histopatológicas coloridas em cinco classes: adenocarcinoma de cólon, tecido colônico benigno, adenocarcinoma de pulmão, carcinoma de células escamosas de pulmão e tecido pulmonar benigno.

O quadro experimental envolveu três abordagens principais:

A. InceptionResNet-v2 Ajustado Fino como Classificador

• A rede InceptionResNet-v2 pré-treinada foi ajustada fino para classificação direta.
• Arquitetura: Dois blocos convolucionais personalizados foram adicionados (128 kernels de 7x7 e 256 filtros de 5x5), seguidos por uma camada totalmente conectada.
• Otimização: Descida de Gradiente Estocástica (SGD) com momento (0,9) e um cronograma de taxa de aprendizado por partes.

B. Extração de Características Profundas + Classificadores ML

• Extração de Características: As imagens foram processadas através da rede InceptionResNet-v2, e características de alto nível foram extraídas da camada 'avg pool'.
• Aumento de Dados: Rotações aleatórias (0°, 90°, 180°, 270°) e translações foram aplicadas para aumentar a diversidade de dados.
• Classificação: Essas características profundas foram alimentadas em cinco modelos ML distintos: Árvore de Decisão, Máquina de Gradiente de Reforço (GBM), Vizinhos Mais Próximos k (KNN), Rede Neural (NN) e Máquina de Vetor de Suporte (SVM).
• Ajuste: Os hiperparâmetros foram otimizados usando Otimização Bayesiana.

C. Características HOG e Profundas Integradas

• Abordagem Híbrida: Características de Histograma de Gradientes Orientados (HOG) foram extraídas (tamanho da célula 128x128) de imagens redimensionadas para 299x299 pixels.
• Concatenação: As características HOG foram concatenadas com as características profundas do InceptionResNet-v2 para criar um vetor de características abrangente.
• Classificação: Os mesmos cinco modelos ML foram treinados neste conjunto de características combinado.

D. Avaliação de Robustez (Análise SNR)

• Para testar a resiliência, ruído gaussiano aditivo foi aplicado ao conjunto de dados em três níveis de Relação Sinal-Ruído (SNR): 40dB (baixo ruído), 35dB (moderado) e 30dB (alto ruído).
• O desempenho do modelo foi reavaliado em todos os três métodos sob essas condições ruidosas.

3. Principais Contribuições

1. Integração de Características Inovadora: O estudo introduz um método combinando características HOG (capturando detalhes de borda e textura) com características profundas (capturando abstrações de alto nível). Esta abordagem híbrida aproveita os pontos fortes tanto da visão computacional tradicional quanto da DL moderna.
2. Benchmarking de Robustez: Ao contrário de muitos estudos que relatam apenas a precisão em dados limpos, este artigo avalia sistematicamente a resiliência do modelo contra níveis variados de SNR, identificando quais arquiteturas mantêm o desempenho em ambientes ruidosos.
3. Superioridade de Desempenho: O estudo demonstra que modelos treinados em características profundas (especialmente quando combinadas com HOG) superam significativamente tanto a rede ajustada fino independente quanto os modelos que usam apenas características tradicionais.

4. Principais Resultados

A. Desempenho em Dados Limpos

• Classificador Ajustado Fino: O InceptionResNet-v2 ajustado fino independente alcançou 96,01% de precisão e 96,8% de AUC.
• Apenas Características Profundas: Modelos treinados em características profundas superaram significativamente o classificador independente.
  • Rede Neural (NN): Alcançou o maior desempenho com 99,99% de AUC e 99,72% de precisão.
  • GBM: 99,77% de AUC, 98,05% de precisão.
  • KNN e SVM: Ambos excederam 99% de AUC.
• Características HOG + Profundas Integradas:
  • A combinação aprimorou ainda mais o desempenho para a maioria dos modelos.
  • Rede Neural: Alcançou 99,99% de AUC e 99,84% de precisão (o resultado máximo do estudo).
  • GBM: Melhorou para 99,9% de AUC e 98,73% de precisão.
  • SVM: Alcançou 99,96% de AUC.

B. Robustez ao Ruído (Impacto SNR)

• Classificador Independente: O desempenho colapsou à medida que o ruído aumentou, caindo de 80,16% (40dB) para 27,44% (30dB).
• Modelos de Características Profundas: Mostraram maior resiliência.
  • GBM e KNN foram os mais robustos. Em 30dB (alto ruído), o GBM manteve >80% de precisão, e o KNN manteve ~75%.
  • Rede Neural e SVM sofreram um declínio mais acentuado em ambientes de alto ruído em comparação com GBM/KNN.
• Características HOG + Profundas Integradas:
  • Embora o desempenho em 40dB fosse comparável às características profundas apenas, a adição de HOG não melhorou significativamente a robustez em níveis de SNR mais baixos (30-35dB) em comparação com as características profundas apenas. Em alguns casos, o desempenho foi ligeiramente inferior à abordagem apenas de características profundas em cenários de alto ruído.

5. Significado e Conclusão

O estudo conclui que integrar aprendizagem profunda com extração de características tradicional cria um quadro poderoso para classificação histopatológica.

• Configuração Ótima: O modelo de Rede Neural treinado em características HOG e profundas combinadas rendeu a maior precisão (99,84%) em dados limpos.
• Resiliência ao Ruído: Para aplicações clínicas onde a qualidade da imagem pode variar, os modelos GBM e KNN treinados em características profundas provaram ser os mais confiáveis, mantendo alta precisão mesmo sob ruído significativo (30dB).
• Impacto Clínico: As descobertas sugerem que, embora a aprendizagem profunda pura seja poderosa, abordagens híbridas e classificadores ML específicos (como GBM/KNN) oferecem confiabilidade superior para detecção precoce de doenças e planejamento de tratamento personalizado, particularmente em condições de imagem não ideais.

Esta pesquisa fornece um caminho robusto para o desenvolvimento de ferramentas de diagnóstico automatizado que não são apenas altamente precisas, mas também resilientes aos desafios práticos da patologia digital do mundo real.