Micrometastasis detection guidance by whole-slide image texture analysis in colorectal lymph nodes correlated with QUS parameters

Abstract

O cancro ´e uma doen¸ca que afeta milh˜oes por todo o mundo e uma identifica¸c˜ao correta de gˆanglios linf´aticos pr´oximos do tumor prim´ario, que contenham regi˜oes metast´aticas ´e de extrema importˆancia para um correto gerenciamento dos pacientes. A avalia¸c˜ao histopatol´ogica ´e o ´unico m´etodo aceite para fazer essa identifica¸c˜ao. Novas t´ecnicas emergentes como os ultrassons quantitativos podem ajudar nessa identifica¸c˜ao, detetando regi˜oes metast´aticas no gˆanglio linf´atico antes mesmo de o cortar. Propomos e avaliamos dois m´etodos para analisar e identificar automaticamente regi˜oes suspeitas que contenham met´astases em lˆaminas histopatol´ogicas digitalizadas em alta resolu¸c˜ao, guiando o patologista em dire¸c˜ao `as regi˜oes suspeitas e classificando os gˆanglios como metast´aticos ou n˜ao-metast´aticos. O primeiro m´etodo, ´e um m´etodo convencional de an´alise de texturas e o segundo ´e baseado na aprendizagem profunda. Utilizando o m´etodo mais convencional particip´amos numa competi¸c˜ao europeia chamada CAMELYON16. Esta competi¸c˜ao tinha duas avalia¸c˜oes. Os m´etodos de textura utilizados foram as matrizes de coocorrˆencia de n´ıveis de cinzento e medidas de energia de texturas de Laws. Os parˆametros de textura ser˜ao utilizados para tentar encontrar rela¸c˜oes entre os ultrassons quantitativos e a histopatologia. Para a aprendizagem profunda utilizamos uma rede bem documentada chamada VGG16. Imagens digitalizadas de lˆaminas histol´ogicas de 44 gˆanglios foram utilizadas. Para avaliar os m´etodos foram desenhadas curvas ROC e F-Scores s˜ao calculados. Como resultados, obtivemos uma ´area sob a curva de 0.986 e um F-Score de 91.67 para o m´etodo mais convencional. Para a aprendizagem profunda obtivemos uma ´area sob a curva e um F-score igual a 1.0. Na competi¸c˜ao fic´amos em ´ultimo numa avalia¸c˜ao e em pen´ultimo na outra. Para finalizar, n˜ao foi poss´ıvel encontrar nenhuma correla¸c˜ao entre os ultrassons e a histologia.

Cancer is a disease that affects millions worldwide and accurate determination of whether lymph nodes (LNs) near the primary tumor contain metastatic foci is of critical importance for proper patient management. Histopathological evaluation is the only accepted method to make that determination. New emerging techniques like quantitative ultrasound (QUS) may help in the determination by detect metastatic regions in the LN before cutting it. We propose and evaluate two methods to automatically analyze and identify suspicious regions for metastatic foci in highresolution digitized histopathological slides (whole-slide images (WSI)) to helping the guidance of the pathologist towards cancer-suspicious regions and to classify LNs as metastatic or non-metastatic. The first method is a conventional texture-based method and the second one is based in deep convolutional neural networks (DCNNs). We have participated in the CAMELYON16 challenge with the conventional method. The texture methods used are based on gray-level co-occurrence matrices (GLCM) and Laws’ energy texture measures, which parameters will be used for find correlations with the QUS. As DCNN we used a known network called VGG16. Whole slide images (WSIs) of 44 lymph nodes (LNs) were used. For evaluate both methods Receiver Operating Characteristic (ROC) curves were drawn. For the most conventional method we obtained an Area Under the Curve (AUC) of 0.986 and a F-Score of 91.67. For the CNN based method we obtained an AUC and a F-Score of 1.0. The challenge had 2 evaluations, and we came last in one and second-to-last in the second. We could not find any correlation between the ultrasounds and the histology.