Full download test bank at ebook textbookfull.

com

Computational Pathology and

Ophthalmic Medical Image Analysis
First International Workshop COMPAY
2018 and 5th International Workshop
OMIA 2018 Held in Conjunction with
CLICK LINK TO DOWLOAD
MICCAI 2018 Granada Spain September
https://textbookfull.com/product/computationa
16l-pathology-and-ophthalmic-medical-image-
20 2018 Proceedings Danail
analysis-first-international-workshop-
compay-2018-and-5th-international-workshop-
omia-2018-held-in-conjunction-with-
miccai-2018-granada-spain-septe/

textbookfull
More products digital (pdf, epub, mobi) instant
download maybe you interests ...

Understanding and Interpreting Machine Learning in

Medical Image Computing Applications First
International Workshops MLCN 2018 DLF 2018 and iMIMIC
2018 Held in Conjunction with MICCAI 2018 Granada Spain
September 16 20 2018 Proceedings Danail Stoyanov
https://textbookfull.com/product/understanding-and-interpreting-
machine-learning-in-medical-image-computing-applications-first-
international-workshops-mlcn-2018-dlf-2018-and-imimic-2018-held-
in-conjunction-with-miccai-2018-granada-sp/

Shape in Medical Imaging International Workshop ShapeMI

2018 Held in Conjunction with MICCAI 2018 Granada Spain
September 20 2018 Proceedings Martin Reuter

https://textbookfull.com/product/shape-in-medical-imaging-
international-workshop-shapemi-2018-held-in-conjunction-with-
miccai-2018-granada-spain-september-20-2018-proceedings-martin-
reuter/

PRedictive Intelligence in MEdicine First International

Workshop PRIME 2018 Held in Conjunction with MICCAI
2018 Granada Spain September 16 2018 Proceedings Islem
Rekik
https://textbookfull.com/product/predictive-intelligence-in-
medicine-first-international-workshop-prime-2018-held-in-
conjunction-with-miccai-2018-granada-spain-
september-16-2018-proceedings-islem-rekik/

Patch Based Techniques in Medical Imaging 4th

International Workshop Patch MI 2018 Held in
Conjunction with MICCAI 2018 Granada Spain September 20
2018 Proceedings Wenjia Bai
https://textbookfull.com/product/patch-based-techniques-in-
medical-imaging-4th-international-workshop-patch-mi-2018-held-in-
conjunction-with-miccai-2018-granada-spain-
Medical Image Computing and Computer Assisted
Intervention MICCAI 2018 21st International Conference
Granada Spain September 16 20 2018 Proceedings Part I
Alejandro F. Frangi
https://textbookfull.com/product/medical-image-computing-and-
computer-assisted-intervention-miccai-2018-21st-international-
conference-granada-spain-september-16-20-2018-proceedings-part-i-
alejandro-f-frangi/

Medical Image Computing and Computer Assisted

Intervention MICCAI 2018 21st International Conference
Granada Spain September 16 20 2018 Proceedings Part III
Alejandro F. Frangi
https://textbookfull.com/product/medical-image-computing-and-
computer-assisted-intervention-miccai-2018-21st-international-
conference-granada-spain-september-16-20-2018-proceedings-part-
iii-alejandro-f-frangi/

Medical Image Computing and Computer Assisted

Intervention MICCAI 2018 21st International Conference
Granada Spain September 16 20 2018 Proceedings Part II
Alejandro F. Frangi
https://textbookfull.com/product/medical-image-computing-and-
computer-assisted-intervention-miccai-2018-21st-international-
conference-granada-spain-september-16-20-2018-proceedings-part-
ii-alejandro-f-frangi/

Medical Image Computing and Computer Assisted

Intervention MICCAI 2018 21st International Conference
Granada Spain September 16 20 2018 Proceedings Part IV
Alejandro F. Frangi
https://textbookfull.com/product/medical-image-computing-and-
computer-assisted-intervention-miccai-2018-21st-international-
conference-granada-spain-september-16-20-2018-proceedings-part-
iv-alejandro-f-frangi/

Ophthalmic Medical Image Analysis 7th International

Workshop OMIA 2020 Held in Conjunction with MICCAI 2020
Lima Peru October 8 2020 Proceedings Huazhu Fu

https://textbookfull.com/product/ophthalmic-medical-image-
analysis-7th-international-workshop-omia-2020-held-in-
conjunction-with-miccai-2020-lima-peru-
 Danail Stoyanov · Zeike Taylor
Francesco Ciompi · Yanwu Xu et al. (Eds.)

Computational Pathology
LNCS 11039

and Ophthalmic Medical

Image Analysis
First International Workshop, COMPAY 2018
and 5th International Workshop, OMIA 2018
Held in Conjunction with MICCAI 2018
Granada, Spain, September 16–20, 2018, Proceedings

123
Lecture Notes in Computer Science 11039
Commenced Publication in 1973
Founding and Former Series Editors:
Gerhard Goos, Juris Hartmanis, and Jan van Leeuwen

Editorial Board
David Hutchison
Lancaster University, Lancaster, UK
Takeo Kanade
Carnegie Mellon University, Pittsburgh, PA, USA
Josef Kittler
University of Surrey, Guildford, UK
Jon M. Kleinberg
Cornell University, Ithaca, NY, USA
Friedemann Mattern
ETH Zurich, Zurich, Switzerland
John C. Mitchell
Stanford University, Stanford, CA, USA
Moni Naor
Weizmann Institute of Science, Rehovot, Israel
C. Pandu Rangan
Indian Institute of Technology Madras, Chennai, India
Bernhard Steffen
TU Dortmund University, Dortmund, Germany
Demetri Terzopoulos
University of California, Los Angeles, CA, USA
Doug Tygar
University of California, Berkeley, CA, USA
Gerhard Weikum
Max Planck Institute for Informatics, Saarbrücken, Germany
More information about this series at http://www.springer.com/series/7412
Danail Stoyanov Zeike Taylor
•

Francesco Ciompi Yanwu Xu et al. (Eds.)

•

Computational Pathology
and Ophthalmic Medical
Image Analysis
First International Workshop, COMPAY 2018
and 5th International Workshop, OMIA 2018
Held in Conjunction with MICCAI 2018
Granada, Spain, September 16–20, 2018
Proceedings

123
Editors
Danail Stoyanov Francesco Ciompi
University College London Radboud University Medical Center
London, UK Nijmegen, The Netherlands
Zeike Taylor Yanwu Xu
University of Leeds Baidu
Leeds, UK Beijing, China

Additional Workshop Editors see next page

ISSN 0302-9743 ISSN 1611-3349 (electronic)

Lecture Notes in Computer Science
ISBN 978-3-030-00948-9 ISBN 978-3-030-00949-6 (eBook)
https://doi.org/10.1007/978-3-030-00949-6

Library of Congress Control Number: 2018955277

LNCS Sublibrary: SL6 – Image Processing, Computer Vision, Pattern Recognition, and Graphics

© Springer Nature Switzerland AG 2018

This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part of the
material is concerned, specifically the rights of translation, reprinting, reuse of illustrations, recitation,
broadcasting, reproduction on microfilms or in any other physical way, and transmission or information
storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar methodology now
known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication
does not imply, even in the absence of a specific statement, that such names are exempt from the relevant
protective laws and regulations and therefore free for general use.
The publisher, the authors and the editors are safe to assume that the advice and information in this book are
believed to be true and accurate at the date of publication. Neither the publisher nor the authors or the editors
give a warranty, express or implied, with respect to the material contained herein or for any errors or
omissions that may have been made. The publisher remains neutral with regard to jurisdictional claims in
published maps and institutional affiliations.

This Springer imprint is published by the registered company Springer Nature Switzerland AG
The registered company address is: Gewerbestrasse 11, 6330 Cham, Switzerland
 Additional Workshop Editors

Tutorial and Educational Chair

Anne Martel
University of Toronto
Toronto, ON
Canada

Workshop and Challenge Co-chair

Lena Maier-Hein
German Cancer Research Center (DKFZ)
Heidelberg
Germany

First International Workshop on Computational Pathology,

COMPAY 2018

Nasir Rajpoot Stephen McKenna

University of Warwick University of Dundee
Coventry Dundee
UK UK
Jeroen Van der Laak David Snead
Radboud University Medical Center University Hospitals Coventry
Nijmegen and Warwickshire
The Netherlands Coventry
UK
Mitko Veta
Eindhoven University of Technology
Eindhoven
The Netherlands
VI Additional Workshop Editors

5th International Workshop on Ophthalmic Medical Image

Analysis, OMIA 2018

Emanuele Trucco Xin Jan Chen

University of Dundee Soochow University
Dundee Suzhou
UK China
Mona K. Garvin Hrvoje Bogunovic
University of Iowa Medical University of Vienna
Iowa City, IA Vienna
USA Austria
 COMPAY 2018 Preface

We were very excited to host the first MICCAI COMPAY workshop in the rapidly
emerging area of computational pathology, the study of disease using computational
analysis of digitized images of tissue slides. We believe this first event on computa-
tional pathology and its synergy with advanced image analysis and deep learning
provided a space for researchers in the MICCAI community to meet, discuss, and share
their advances in these fields. The MICCAI conference was the perfect venue and it
was the best time for this to happen. The aim of COMPAY was to bring together
scientific researchers, medical experts, and industry partners working in the field of
computational pathology, in order to push further innovative and clinically relevant
solutions for digital pathology. We strived to provide a platform for scientific dis-
cussion on computational pathology with a focus on artificial intelligence and deep
learning, which can help foster cooperative projects at an international level. We hope
that you will find the contributions on the state of the art computational pathology
stimulating and enjoyable. We are grateful to the MICCAI organizers for giving us this
opportunity. We also extend our sincere gratitude to all the reviewers who helped
ensure the high quality of papers presented at COMPAY 2018, the first of hopefully a
series of workshops at MICCAI.

August 2018 Francesco Ciompi

Jeroen van der Laak
Nasir Rajpoot
Stephen McKenna
Mitko Veta
David Snead
 OMIA 2018 Preface

Age-related macular degeneration, diabetic retinopathy, and glaucoma are main causes
of blindness. Oftentimes blindness can be avoided by early intervention, making
computer-assisted early diagnosis of retinal diseases a research priority. Related
research is exploring retinal biomarkers for systemic conditions such as dementia,
cardiovascular disease, and complications of diabetes. Significant challenges remain,
including reliability and validation, effective multimodal analysis (e.g., fundus pho-
tography, optical coherence tomography, and scanning laser ophthalmoscopy), more
powerful imaging technologies, and the effective deployment of cutting-edge computer
vision and machine learning techniques. The 4th International Workshop on Oph-
thalmic Medical Image Analysis (OMIA5) addressed all these aspects and more, this
year in collaboration with the ReTOUCH retinal image challenge.

August 2018 Yanwu Xu

Emanuele Trucco
Mona K. Garvin
Xinjian Chen
Hrvoje Bogunović
 Organization

COMPAY 2018 Organizing Committee

Francesco Ciompi Radboud University Medical Center, The Netherlands
Jeroen van der Laak Radboud University Medical Center, The Netherlands
Nasir Rajpoot University of Warwick, UK
Stephen McKenna University of Dundee, UK
Mitko Veta Eindhoven University of Technology, The Netherlands
David Snead University Hospitals Coventry and Warwickshire NHS
Trust, UK

OMIA 2018 Organizing Committee

Hrvoje Bogunović Medical University of Vienna, Austria
Xinjian Chen Soochow University, China
Mona K. Garvin University of Iowa, USA
Emanuele Trucco University of Dundee, UK
Yanwu Xu Institute for Infocomm Research, Singapore
 Contents

First International Workshop on Computational Pathology, COMPAY 2018

Improving Accuracy of Nuclei Segmentation by Reducing Histological

Image Variability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Yusuf H. Roohani and Eric G. Kiss

Multi-resolution Networks for Semantic Segmentation

in Whole Slide Images. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Feng Gu, Nikolay Burlutskiy, Mats Andersson, and Lena Kajland Wilén

Improving High Resolution Histology Image Classification with Deep

Spatial Fusion Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Yongxiang Huang and Albert Chi-Shing Chung

Construction of a Generative Model of H&E Stained Pathology Images

of Pancreas Tumors Conditioned by a Voxel Value of MRI Image . . . . . . . . 27
Tomoshige Shimomura, Kugler Mauricio, Tatsuya Yokota,
Chika Iwamoto, Kenoki Ohuchida, Makoto Hashizume,
and Hidekata Hontani

Accurate 3D Reconstruction of a Whole Pancreatic Cancer Tumor from

Pathology Images with Different Stains . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Mauricio Kugler, Yushi Goto, Naoki Kawamura, Hirokazu Kobayashi,
Tatsuya Yokota, Chika Iwamoto, Kenoki Ohuchida, Makoto Hashizume,
and Hidekata Hontani

Role of Task Complexity and Training in Crowdsourced

Image Annotation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Nadine S. Schaadt, Anne Grote, Germain Forestier,
Cédric Wemmert, and Friedrich Feuerhake

Capturing Global Spatial Context for Accurate Cell Classification in Skin

Cancer Histology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Konstantinos Zormpas-Petridis, Henrik Failmezger, Ioannis Roxanis,
Matthew Blackledge, Yann Jamin, and Yinyin Yuan

Exploiting Multiple Color Representations to Improve Colon Cancer

Detection in Whole Slide H&E Stains . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Alex Skovsbo Jørgensen, Jonas Emborg, Rasmus Røge,
and Lasse Riis Østergaard
XIV Contents

Leveraging Unlabeled Whole-Slide-Images for Mitosis Detection . . . . . . . . . 69

Saad Ullah Akram, Talha Qaiser, Simon Graham, Juho Kannala,
Janne Heikkilä, and Nasir Rajpoot

Evaluating Out-of-the-Box Methods for the Classification of Hematopoietic

Cells in Images of Stained Bone Marrow . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Philipp Gräbel, Martina Crysandt, Reinhild Herwartz,
Melanie Hoffmann, Barbara M. Klinkhammer, Peter Boor,
Tim H. Brümmendorf, and Dorit Merhof

DeepCerv: Deep Neural Network for Segmentation Free Robust Cervical

Cell Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
O. U. Nirmal Jith, K. K. Harinarayanan, Srishti Gautam,
Arnav Bhavsar, and Anil K. Sao

Whole Slide Image Registration for the Study of Tumor Heterogeneity . . . . . 95

Leslie Solorzano, Gabriela M. Almeida, Bárbara Mesquita,
Diana Martins, Carla Oliveira, and Carolina Wählby

Modality Conversion from Pathological Image to Ultrasonic Image Using

Convolutional Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Takashi Ohnishi, Shu Kashio, Takuya Ogawa, Kazuyo Ito,
Stanislav S. Makhanov, Tadashi Yamaguchi, Yasuo Iwadate,
and Hideaki Haneishi

Structure Instance Segmentation in Renal Tissue: A Case Study on Tubular

Immune Cell Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
T. de Bel, M. Hermsen, G. Litjens, and J. van der Laak

Cellular Community Detection for Tissue Phenotyping

in Histology Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
Sajid Javed, Muhammad Moazam Fraz, David Epstein,
David Snead, and Nasir M. Rajpoot

Automatic Detection of Tumor Budding in Colorectal Carcinoma

with Deep Learning. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
John-Melle Bokhorst, Lucia Rijstenberg, Danny Goudkade,
Iris Nagtegaal, Jeroen van der Laak, and Francesco Ciompi

Significance of Hyperparameter Optimization for Metastasis Detection in

Breast Histology Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Navid Alemi Koohbanani, Talha Qaisar, Muhammad Shaban,
Jevgenij Gamper, and Nasir Rajpoot

Image Magnification Regression Using DenseNet for Exploiting

Histopathology Open Access Content . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
Sebastian Otálora, Manfredo Atzori, Vincent Andrearczyk,
and Henning Müller
 Contents XV

Uncertainty Driven Pooling Network for Microvessel Segmentation in

Routine Histology Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
M. M. Fraz, M. Shaban, S. Graham, S. A. Khurram,
and N. M. Rajpoot

5th International Workshop on Ophthalmic Medical Image

Analysis, OMIA 2018

Ocular Structures Segmentation from Multi-sequences MRI Using 3D Unet

with Fully Connected CRFs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
Huu-Giao Nguyen, Alessia Pica, Philippe Maeder, Ann Schalenbourg,
Marta Peroni, Jan Hrbacek, Damien C. Weber, Meritxell Bach Cuadra,
and Raphael Sznitman

Classification of Findings with Localized Lesions in Fundoscopic Images

Using a Regionally Guided CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
Jaemin Son, Woong Bae, Sangkeun Kim, Sang Jun Park,
and Kyu-Hwan Jung

Segmentation of Corneal Nerves Using a U-Net-Based Convolutional

Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
Alessia Colonna, Fabio Scarpa, and Alfredo Ruggeri

Automatic Pigmentation Grading of the Trabecular Meshwork

in Gonioscopic Images. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
Andrea De Giusti, Simone Pajaro, and Masaki Tanito

Large Receptive Field Fully Convolutional Network for Semantic

Segmentation of Retinal Vasculature in Fundus Images . . . . . . . . . . . . . . . . 201
Gabriel Lepetit-Aimon, Renaud Duval, and Farida Cheriet

Explaining Convolutional Neural Networks for Area Estimation

of Choroidal Neovascularization via Genetic Programming. . . . . . . . . . . . . . 210
Yibiao Rong, Kai Yu, Dehui Xiang, Weifang Zhu, Zhun Fan,
and Xinjian Chen

Joint Segmentation and Uncertainty Visualization of Retinal Layers in

Optical Coherence Tomography Images Using Bayesian Deep Learning . . . . 219
Suman Sedai, Bhavna Antony, Dwarikanath Mahapatra,
and Rahil Garnavi

cGAN-Based Lacquer Cracks Segmentation in ICGA Image. . . . . . . . . . . . . 228

Hongjiu Jiang, Yuhui Ma, Weifang Zhu, Ying Fan, Yihong Hua,
Qiuying Chen, and Xinjian Chen
XVI Contents

Localizing Optic Disc and Cup for Glaucoma Screening via Deep Object
Detection Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
Xu Sun, Yanwu Xu, Mingkui Tan, Huazhu Fu, Wei Zhao,
Tianyuan You, and Jiang Liu

Fundus Image Quality-Guided Diabetic Retinopathy Grading . . . . . . . . . . . . 245

Kang Zhou, Zaiwang Gu, Annan Li, Jun Cheng, Shenghua Gao,
and Jiang Liu

DeepDisc: Optic Disc Segmentation Based on Atrous Convolution

and Spatial Pyramid Pooling. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
Zaiwang Gu, Peng Liu, Kang Zhou, Yuming Jiang, Haoyu Mao,
Jun Cheng, and Jiang Liu

Large-Scale Left and Right Eye Classification in Retinal Images. . . . . . . . . . 261

Peng Liu, Zaiwang Gu, Fan Liu, Yuming Jiang, Shanshan Jiang,
Haoyu Mao, Jun Cheng, Lixin Duan, and Jiang Liu

Automatic Segmentation of Cortex and Nucleus in Anterior Segment

OCT Images. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
Pengshuai Yin, Mingkui Tan, Huaqing Min, Yanwu Xu, Guanghui Xu,
Qingyao Wu, Yunfei Tong, Higashita Risa, and Jiang Liu

Local Estimation of the Degree of Optic Disc Swelling from Color

Fundus Photography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277
Samuel S. Johnson, Jui-Kai Wang, Mohammad Shafkat Islam,
Matthew J. Thurtell, Randy H. Kardon, and Mona K. Garvin

Visual Field Based Automatic Diagnosis of Glaucoma Using Deep

Convolutional Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
Fei Li, Zhe Wang, Guoxiang Qu, Yu Qiao, and Xiulan Zhang

Towards Standardization of Retinal Vascular Measurements: On the Effect

of Image Centering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
Muthu Rama Krishnan Mookiah, Sarah McGrory, Stephen Hogg,
Jackie Price, Rachel Forster, Thomas J. MacGillivray,
and Emanuele Trucco

Feasibility Study of Subfoveal Choroidal Thickness Changes

in Spectral-Domain Optical Coherence Tomography Measurements
of Macular Telangiectasia Type 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
Tiziano Ronchetti, Peter Maloca, Emanuel Ramos de Carvalho,
Tjebo F. C. Heeren, Konstantinos Balaskas, Adnan Tufail,
Catherine Egan, Mali Okada, Selim Orgül, Christoph Jud,
and Philippe C. Cattin
 Contents XVII

Segmentation of Retinal Layers in OCT Images of the Mouse Eye Utilizing

Polarization Contrast . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
Marco Augustin, Danielle J. Harper, Conrad W. Merkle,
Christoph K. Hitzenberger, and Bernhard Baumann

Glaucoma Diagnosis from Eye Fundus Images Based on Deep

Morphometric Feature Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319
Oscar Perdomo, Vincent Andrearczyk, Fabrice Meriaudeau,
Henning Müller, and Fabio A. González

2D Modeling and Correction of Fan-Beam Scan Geometry in OCT. . . . . . . . 328

Min Chen, James C. Gee, Jerry L. Prince, and Geoffrey K. Aguirre

A Bottom-Up Saliency Estimation Approach for Neonatal Retinal Images . . . 336

Sharath M. Shankaranarayana, Keerthi Ram, Anand Vinekar,
Kaushik Mitra, and Mohanasankar Sivaprakasam

Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 345

 First International Workshop on
Computational Pathology, COMPAY
2018
 Improving Accuracy of Nuclei
Segmentation by Reducing Histological
Image Variability

Yusuf H. Roohani1,2(B) and Eric G. Kiss1

1
Stanford University School of Medicine,
291 Campus Drive, Stanford, CA 94305, USA
[email protected]
2
GlaxoSmithKline, 200 Cambridgepark Drive, Cambridge, MA 02140, USA

Abstract. Histological analyses of tissue biopsies is an essential com-

ponent in the diagnosis of several diseases including cancer. In the past,
evaluation of tissue samples was done manually, but to improve efficiency
and ensure consistent quality, there has been a push to evaluate these
algorithmically. One important task in histological analysis is the seg-
mentation and evaluation of nuclei. Nuclear morphology is important
to understand the grade and progression of disease. However, imple-
menting automated methods at scale across histological datasets is chal-
lenging due to differences in stain, slide preparation and slide storage.
This paper evaluates the impact of four stain normalization methods on
the performance of nuclei segmentation algorithms. The goal is to high-
light the critical role of stain normalization in improving the usability of
learning-based models (such as convolutional neural networks (CNNs))
for this task. Using stain normalization, the baseline segmentation accu-
racy across distinct training and test datasets was improved by more than
50% of its base value as measured by the AUC and Recall. We believe
this is the first study to perform a comparative analysis of four stain
normalization approaches (histogram equalization, Reinhart, Macenko,
spline mapping) on segmentation accuracy of CNNs.

Keywords: Histology · Stain normalization · Nuclei segmentation

Convolutional neural networks · Machine learning

1 Introduction
Diagnoses made by pathologists using tissue biopsy images are central for many
tasks such as the detection of cancer and estimation of its current stage [2].
One routine yet important step within histological analyses is the segmentation
of nuclei. Nuclear morphology is an important indicator of the grade of cancer
and the stage of its progression [3]. It has also been shown to be a predictor of
cancer outcome [4]. Currently, histological analysis such as these are done man-
ually, with pathologists counting and evaluating cells by inspection. Developing
c Springer Nature Switzerland AG 2018
D. Stoyanov et al. (Eds.): COMPAY 2018/OMIA 2018, LNCS 11039, pp. 3–10, 2018.
https://doi.org/10.1007/978-3-030-00949-6_1
4 Y. H. Roohani and E. G. Kiss

automated methods to perform this analysis will help pathologists maintain con-
sistent quality, allow for greater use of histological analysis by reducing cost and
throughput.
However, automating nuclei detection is not a trivial task and can be chal-
lenging for a number of reasons - one important challenge is the lack of stain
standardization. Stain manufacturing and aging can lead to differences in applied
color. It could also be the result of variation in tissue preparation (dye con-
centration, evenness of the cut, presence of foreign artifacts or damage to the
tissue sample), stain reactivity or image acquisition (image compression arti-
facts, presence of digital noise, specific features of the slide scanner). Each stain
has different absorption characteristics(sometimes overlapping) which impact
the resulting slide color. Finally, storage of the slide samples can have aging
effects that alter the color content [2,5]. Radiologists have established standards
(such as DICOM) to ensure consistency between scans from different origins and
time. Ideally, histopathology would also work within a framework like DICOM
where images can be standardized against experimental conditions to ensure
consistency across datasets.
Recently, there has been considerable interest in the application of novel
machine learning tools such as deep learning to aid in routine tasks such as seg-
mentation. These models generally work on raw pixel values, but could achieve
greater accuracy through reducing the variance contributed by slide and stain
specific variables. However, the approach must not be too general or else false
positives will occur through altering the image signal [1,2].
The aim of this project is to address the impact of variability in histological
images on the accuracy of deep learning based algorithms for segmentation. A
Convolutional Neural Network (CNN) was trained to perform nuclei segmen-
tation and tested to get a baseline. Four stain normalization techniques, his-
togram equalization, Reinhard, Macenko, and spline mapping were then applied
as means to reduce color variability of the raw images. The CNN was trained
and tested again for each of these normalization conditions to get segmentation
accuracy in each case. This paper is unique in that it employs a wide variety of
normalization methods, uses deep learning based nuclei segmentation accuracy
as a metric, and tests the model on a different dataset to understand model
generalizability.

2 Stain Color Normalization

Stain normalization techniques involve transforming image pixel values. There

are a wide array of techniques in literature, but most involve statistical trans-
formations of images in various color spaces. Below we provide an overview of
the four techniques used. Since our goal was mainly to highlight the impact
of stain normalization as opposed to finding the best approach, we acknowledge
that there is scope for further expanding the following list (e.g.: Automatic Color
Equalization [12], HSV channel shifting, adding random Gaussian noise etc.). We
chose the following four because they were reasonably diverse and were easily
 Improving Acc. of Nuclei Segmentation by Reducing Hist. Image Variability 5

implementable using University of Warwick’s stain normalization toolbox [10].

For methods requiring stain vector estimation, this was done using an image
from the training set in both cases of training and testing.

– Histogram equalization: Histogram equalization is a commonly used image

processing technique that transforms one histogram by spreading out its dis-
tribution to increase image contrast. In this analysis, histogram equalization
was performed on each RGB channel in Matlab, effectively normalizing the
color intensities frequencies between two images [9].
– Macenko color normalization: The Macenko color normalization method
transforms the images to a stain color space by estimating the stain vectors
then normalizes the stain intensities. Quantifying the stain color vectors (the
RGB contribution of each stain) provides a more robust means of manipulat-
ing color information [8].
– Reinhard color normalization: Reinhard color normalization aims to
make one image ‘feel’ like another by transforming one image distribution
to be closer to another. Reinhard transforms the target and source images
into L” color space. This was created to minimize the correlation between
channels. After the source and target images are in this colorspace, descrip-
tive statistics are used to transform the target image’s colorspace as described
in [7]. Finally, the average channel values of the source are added back to the
data points and it is transformed back to RGB colorspace.
– Spline mapping: Conceptually, the spline mapping technique is similar to
the Macenko technique in that it estimates the stain vectors, deconvolves
the image, maps the stain intensity to a target image before reconstructing
back in RGB colorspace. Khan makes contributions in automatic stain vector
calculation using a classifier with global and local pixel value information,
and a non-linear stain normalization method [5].

3 Image Segmentation Using CNNs

This section describes the methods used to generate deep learning based image
segmentation models. The goal was to train a model using one dataset and to test
using another. We aimed to perform this approach using different normalization
strategies to narrow down on an approach that best reduced variability and
improved performance.

3.1 Model Selection

We first trained and validated the model on the same dataset to make sure that
our training procedure was working correctly. For this we used breast tissue slices
from [3]. We randomly split the dataset into 70% train and 30% validation. After
experimenting with different network architectures, the final architecture that
was chosen after the validation procedure was (Conv-BNorm-ReLU)x6 - (Fully
Convolutional) - Softmax [3].
6 Y. H. Roohani and E. G. Kiss

We chose to use a fully convolutional network (FCN) instead of a regular fully

connected network so as to enhance throughput and quickly return the network
based on results [6]. This meant that, at the time of inference, our model could
simply process an entire image in one pass instead of needing it to be broken
down into pixelwise patches. However, for training the network, we used a fully
connected ultimate layer, and fed patches instead of a whole image as input. This
allowed us to have greater control over the size and composition of the training
classes, given their skewed distribution in the training set. This is also why we
chose FCN over more recent architectures that work better with whole images
such as U-Net [13] and Mask-RCNN [14]. We also realize that there are deeper
architectures that could be used with FCN for further improving pixel level
accuracy but our main focus was on showing the value of stain normalization as
opposed to finding the optimal architecture for segmentation. We used the Caffe
deep learning framework to design these models.1

3.2 Dataset

The training dataset consisted of 143 histological sections of breast tissue from
the Case Western Reserve digital pathology dataset. Each RGB image was
2000 × 2000 pixels, 20× magnification and was H&E stained. Manually anno-
tated masks were provided for over 12000 nuclei. We found that, for training,
a patch size of 64 × 64 (87.8% baseline validation accuracy) worked better for
training than 32 × 32 (82% accuracy). A total of 400,000 unique patches were
generated for each scenario.
However, it was not sufficient to randomly sample from non-nuclear regions as
defined by the hand annotations. There was a significant probability of sampling
unannotated nuclei while developing negative patches for the training set. To
address this problem, we used the approach outlined by [3]. Nuclei are known to
absorb greater levels of the eosin (red) stain and so the red channel in the images
was enhanced. A negative mask was thus generated defining regions outside
of these enhanced red zones that were deemed safe for non-nuclei class patch
selection. We also made sure to allocated a third of the non-nuclei patches to
boundaries around the nuclei so that these would be clearly demarcated in the
output. Moreover, positive and negative samples were equal in number even
after accounting for these changes. The model prediction accuracy was found to
benefit from these approaches.
The test set was composed also of breast tissue slices from a hand anno-
tated dataset provided by the BioImaging lab at UCSB [11]. Referred to as
the BioSegmentation benchmark, these were 58 H&E stained images at a much
smaller resolution (896 × 768). This dataset proved to be ideal for model testing
because the images were quite different from our training set both in terms of
image quality and resolution and also in terms of the staining used (more eosin
content). Patching was not required for the test set because we were using a fully
convolutional network.
1
Code: https://github.com/yhr91/NucleiSegmentation/tree/master/BMI-260.
 Improving Acc. of Nuclei Segmentation by Reducing Hist. Image Variability 7

3.3 Training

Once our model architecture and dataset generation approach had been finalized,
we began to train separate model for each of the normalization scenarios as shown
in Fig. 1. We used a batch size of 1000 because that could fit comfortably in our
memory (P100 GPU 16 GB × 2).
There were four models - these corresponded to the four techniques out-
lined previously: Histogram Equalization (SH), Macenko (MM), Reinhard (RH),
Spline Mapping (SM). There was a also a model for the unnormalized (Unnorm)
case. Model performance would generally begin to plateau around 5–10 epochs.
We did not notice overfitting in any model until 25 epochs except in SM. How-
ever, we could not continue training much beyond that point due to time con-
straints.

Fig. 1. The first row shows the test image as fed into the model after stain normal-
ization (labelled using acronym). The normalization applied on the test image was the
same as that applied on the training dataset in that case. The bottom row shows the
model predicted output on the test images.

4 Results

4.1 Visual Inspection

The top row in Fig. 1 shows the original images after being transformed using the
four different stain normalization approaches. We can see that all four images
appear different in some respect. For example, HE and RH, which involve stain
normalization through working directly with the color values show a noticeable
blue tint. This is more pronounced in HE, where non-nuclear regions in the top
right of the cell get quite heavily stained with hematoxylin. On the other hand,
SM and MM, which both use stain vectors to map an input image to a target
space, don’t show a blue-ish tint and provide a much more robust transformation
8 Y. H. Roohani and E. G. Kiss

that is true to the semantic information of the parent image (e.g.: treating nuclei
and background regions distinctly).
The bottom row looks at the class probability for nuclear regions as predicted
by models trained on datasets that were each stain normalized differently. Clearly
all four normalized sets perform far better than the unnormalized dataset where
almost no nuclei were detected due to the drastic change in staining as compared
to what the model had been trained on. HE does pick up most of the nuclei but
also a lot of background noise due to its inability to differentiate clearly between
different types of staining. RH is also more sensitive to noise but does a better
and clearer detection of nuclei as is visible in the clear boundaries. SM clearly
performs the best at segmenting nuclei while also being most robust to false
positives.

Fig. 2. ROC curve for models trained using different stain normalization schemes

4.2 Quantitative Assessment

To perform a more rigorous quantitative assessment, we looked at metrics calcu-

lated over a randomly selected set of 15 test images, using an output threshold
of 0.5 for binarization (see Table 1). Simply calculating classification accuracy
would be insufficient for this sort of segmentation problem. For instance, even
if a classifier were to only classify pixels as non-nuclear regions it would still
be around 85–90% accurate because the vast majority of pixels don’t lie within
nuclei.
Given the set of all nuclear pixels in the set, recall tells us what fraction of
those were picked up by the model. Clearly SM does a great job in this area.
SH and RH also do well but when we look at their precision values they are
not as high as those for SM. Precision measures how many of the positives that
you picked up were actually relevant. This indicates the tendency of SH and
 Improving Acc. of Nuclei Segmentation by Reducing Hist. Image Variability 9

RH to pick up more false positives than SM. This trade-off between true and
false positives is best captured by the ROC curve (Fig. 2). Here, we see that
the unnormalized case doesn’t add any value at all while all the normalization
scenarios show improved prediction accuracy. SM is the clear winner showing
an excellent range of operation at a TPR of >80/90% while only allowing an
FPR of 50%. This is very impressive considering how the model was trained on
a staining visually very different from the one in the test data. This difference
is quantitatively captured by the AUC. Finally, the F-score is another attempt
to capture segmentation accuracy without getting bogged down by all the true
negatives. It calculates the intersection of pixels that have been classified as
nuclei in both the prediction and the ground truth and it divides that over the
union of all pixels classified as nuclei by either set. Again, SM is seen to be the
best at improving accuracy of the algorithm.

Table 1. Quantitative comparison of model performance under different forms of stain

normalization

Normalization Precision Recall F-score AUC Epochs

None 0.006 0.00 0.00 0.50 25
Histogram equalization (SH) 0.025 0.52 0.05 0.61 25
Macenko (MM) 0.026 0.18 0.05 0.61 25
Reinhard (RH) 0.04 0.55 0.07 0.71 12.5
Spline mapping (SM) 0.05 0.70 0.09 0.83 6

5 Discussion
Through this study, we have explored several stain normalization approaches
that were all shown to reduce inter slide variability. The results (particu-
larly AUC, F-score) clearly indicate that using a stain normalization approach
increases the performance of the deep learning based segmentation algorithm.
We found that SM performed better than all other approaches. We believe this
is because it use a non-linear mapping function that is more accurate than the
other approaches. It is able to delineate between different regions and map them
appropriately to the target space.
We also noticed that the model seems to perform more poorly in case of
normalizations that are biased more towards the eosin channel. In future, it may
make sense to normalize the stain of the training dataset using two different
approaches. This would push the model to become robust to these subtle changes
and be less dependent on any one channel. Moreover, stain normalization could
also be looked at as a regularization approach to enhance generalizability of deep
learning based models in this space and prevent overfitting. On the other hand,
we must remain conscious of the fact that staining color is a very valuable source
of information in histological analyses and adopt a balanced approach towards
stain normalization.
10 Y. H. Roohani and E. G. Kiss

6 Conclusion
In this study, we looked at the impact of stain normalization as a means of
improving the accuracy of segmentation algorithms across datasets. To the best
of our knowledge, this is the first study that compares the chosen four stain
normalization techniques through assessing their usability in the context of deep
learning based segmentation models. There is scope for expanding upon this
work with a deeper analysis of why certain normalization approaches or model
architectures are better suited for this task.

References
1. Ghaznavi, F.: Digital imaging in pathology: whole-slide imaging and beyond. Annu.
Rev. Pathol.: Mech. Dis. 8, 331–359 (2013)
2. Irshad, H.: Methods for nuclei detection, segmentation, and classification in digital
histopathology: a review’ current status and future potential. IEEE Rev. Biomed.
Eng. 7, 97–114 (2014)
3. Janowczyk, A., Madabhushi, A.: Deep learning for digital pathology image analysis:
a comprehensive tutorial with selected use cases. J. Pathol. Inform. (2016)
4. Basavanhally, A., Feldman, M., Shih, N.: Multi-field-of-view strategy for image-
based outcome prediction of multi-parametric estrogen receptor-positive breast
cancer histopathology: comparison to oncotype DX. J. Pathol. Inform. 2, S1 (2011).
https://doi.org/10.4103/2153-3539.92027
5. Khan, K.M., et al.: A nonlinear mapping approach to stain normalization in dig-
ital histopathology images using image-specific color deconvolution. IEEE Trans.
Biomed. Eng. 61(6), 1729–1738 (2014)
6. Long, J., Shelhamer, E., Darrell, T.: Fully convolutional networks for semantic
segmentation. In: Proceedings of the IEEE Conference on Computer Vision and
Pattern Recognition, pp. 3431–3440 (2015)
7. Reinhard, E., Ashikhmin, M., Gooch, B., Shirley, P.: Color transfer between images.
IEEE Comput. Graph. Appl. 21(5), 34–41 (2001)
8. Macenko, M., et al.: A method for normalizing histology slides for quantitative
analysis. In: ISBI, vol. 9, pp. 1107–1110, June 2009
9. https://www.math.uci.edu/icamp/courses/math77c/demos/hist eq.pdf. Accessed
24 Jul 2018
10. http://www2.warwick.ac.uk/fac/sci/dcs/research/tia/software/sntoolbox. Access-
ed 24 Jul 2018
11. http://bioimage.ucsb.edu/research/bio-segmentation . Accessed 24 Jul 2018
12. Rizzi, A., Gatta, C., Marini, D.: From retinex to automatic color equalization:
issues in developing a new algorithm for unsupervised color equalization. J. Elec-
tron. Imaging 13(1), 75–85 (2004)
13. Ronneberger, O., Fischer, P., Brox, T.: U-Net: convolutional networks for biomed-
ical image segmentation. In: Navab, N., Hornegger, J., Wells, W.M., Frangi, A.F.
(eds.) MICCAI 2015. LNCS, vol. 9351, pp. 234–241. Springer, Cham (2015).
https://doi.org/10.1007/978-3-319-24574-4 28
14. He, K., Gkioxari, G., Dollár, P., Girshick, R.: Mask R-CNN. In: 2017 IEEE Inter-
national Conference on Computer Vision (ICCV), pp. 2980–2988. IEEE, October
2017
 Multi-resolution Networks for Semantic
Segmentation in Whole Slide Images

Feng Gu(B) , Nikolay Burlutskiy, Mats Andersson, and Lena Kajland Wilén

ContextVision AB, Linköping, Sweden

[email protected]

Abstract. Digital pathology provides an excellent opportunity for

applying fully convolutional networks (FCNs) to tasks, such as seman-
tic segmentation of whole slide images (WSIs). However, standard FCNs
face challenges with respect to multi-resolution, inherited from the pyra-
mid arrangement of WSIs. As a result, networks specifically designed
to learn and aggregate information at different levels are desired. In this
paper, we propose two novel multi-resolution networks based on the pop-
ular ‘U-Net’ architecture, which are evaluated on a benchmark dataset
for binary semantic segmentation in WSIs. The proposed methods out-
perform the U-Net, demonstrating superior learning and generalization
capabilities.

Keywords: Deep learning · Digital pathology · Whole slide images

1 Introduction

The working pattern of an experienced pathologist is frequently characterized

by a repeated zooming in and zooming out motion while moving over the tissue
to be graded. This behavior is similar if a microscope is used or if a whole slide
image (WSI) is observed on a screen. The human visual system needs these
multiple perspectives to be able to grade the slide. Only in rare cases can a local
neighborhood of a slide be safely graded, independent from the surroundings.
The heart of the matter is that the slide only represents a 2D cut out of a complex
3D structure. A glandular tissue in 3D resembles the structure of a cauliflower.
Depending on the position of the 2D cut, the size and shape of the glands on the
slide may vary significantly. To assess if a deviation in size or shape is due to the
position of the cut or to a lesion, a multi-resolution view is crucial. The structure
of the surrounding glands must be accounted for when the current gland is being
investigated at a higher resolution.
Digital pathology opens the possibility to support pathologists by using fully
convolutional networks (FCNs) [11] for semantic segmentation of WSIs. Standard
FCNs do however face the same challenge with respect to multi-resolution. It
can be argued that a network like U-Net [13] can to some extent handle multi-
resolution, since such a structure is inherent in the network. However, patches
c Springer Nature Switzerland AG 2018
D. Stoyanov et al. (Eds.): COMPAY 2018/OMIA 2018, LNCS 11039, pp. 11–18, 2018.
https://doi.org/10.1007/978-3-030-00949-6_2
12 F. Gu et al.

(image regions of a WSI at a given resolution) with the finest details should
probably be extracted at the highest resolution, to utilize such a capability. It
may also require the patch size to be considerably larger, making it infeasible for
the VRAM of a modern GPU to fully explore the multi-resolution. As a result,
approaches capable of learning from data and aggregating information efficiently
and effectively at multiple resolutions are desired.
In this paper, two novel multi-resolution networks are proposed to learn from
input patches extracted at multiple levels. These patches share the same centroid
and shape (size in pixels), but with an octave based increase of the pixel size,
micrometers per pixel (mpp). Only the central high resolution patch is segmented
at the output. The proposed methods are evaluated and compared with the
standard U-Net on a benchmark dataset of WSIs.

2 Related Work
Semantic segmentation problems were initially solved by traditional machine
learning approaches, where hand crafted features were engineered [15].
Researchers applied methods, such as predictive sparse decomposition and spa-
tial pyramid matching, to extract features of histopathological tissues [4]. How-
ever, deep learning approaches based on FCNs [11] showed significantly higher
performance and eventually have substituted them [7]. To overcome the so called
‘checkerboard artifacts’ of transposed convolutions, several approaches have been
proposed, e.g. SegNet [1], DeepLab-CRF [5], and upscaling using dilated convo-
lutions [18]. To increase localization of learned features, high resolution features
from the downsampling path can be aggregated with the upsampled output. Such
an operation is known as ‘skip connections’, which enables a successive convo-
lution layer to learn and assemble a more precise output based on the aggre-
gated information. Several researchers successfully demonstrated that architec-
tures with skip connections can result in better performance. Such networks
include U-Net, densely connected convolutional networks [9], and highway net-
works with skip connections [16]. On overall, U-Net has proved to be one of the
most popular networks for biomedical segmentation tasks [3].
One limitation of standard FCNs is the fact that the networks are composed
of convolution layers with a set of filters that have the same receptive field size.
The receptive field size corresponds to the context that a network can learn from,
and eventually influences the network performance. Grais et al. [8] proposed a
multi-resolution FCN with different receptive field sizes for each layer, for the
audio source separation problem. Such a design allowed to extract features of
the same input at multiple perspectives (determined by the receptive field sizes),
and thus to capture global and local details from the input. Fu et al. introduced
a multi-scale M-Net [6] to tackle the problem of joint optic disc and cup seg-
mentation, where the same image contents of different input shapes or scales are
passed through the network. However, both methods were designed to handle
the same input audio or image content, while learning features from multiple
perspectives by either employing encoders with varied respective fields or taking
 MRN for Semantic Segmentation in WSIs 13

inputs with multiple scales. Roullier et al. [14] proposed multi-resolution graph-
based analysis of whole slide images for mitotic cell segmentation. The approach
is based on domain specific knowledge, which cannot be easily transferred to
another problem domain. Recently, an approach of using multi-resolution infor-
mation in FCN was described in [12]. However, the fusion of multi-resolution
inputs was performed before encoders, instead of within the network. In addi-
tion, the approach could only be applied to a subset of small regions of interests,
rather than WSIs.
Networks that incorporate inputs extracted from different resolutions with
respect to the same corresponding tissue area in WSIs are desired, to tackle
the challenge of multi-resolution effectively. In addition, the networks should be
scalable in terms of resolutions and VRAM efficient for training and prediction.
These motivated us to develop the multi-resolution networks in this work.

3 Algorithmic Formulation
A common practice of handling a WSI with deep learning is to divide it into
multiple equally sized patches [17]. Here the deep learning task is formulated
as a binary semantic segmentation problem of patches, where each patch is
considered an image example. At prediction, a trained model first predicts each
patch individually, and then stitches predictions of all the patches, to form the
prediction of the entire slide (a probabilistic map indicating the probability of
each pixel belonging to the class of interest).

3.1 Learning and Inference

Let (x, y) ∈ X × Y be a patch or an example of a given dataset, where X ⊆
RN ×D×3 and Y ⊆ NN ×D . The value of N is equal to the number of examples
(or patches), and D is the dimensionality of the feature vector (i.e. the product
of height and width of the patch h × w). So x can be a RGB image extracted
from a slide, and y can be a binary ground truth mask associated with the
RGB image. We can formulate a deep network as a function f (x; W), where W
is a collection of weights of all the parametrized layers. The learning task is a
process of searching for the optimal set of parameters Ŵ that minimizes a loss
function L(y, f (x; W)). The output of the function f can be transformed to a
probabilistic value in the range of [0, 1] via a sigmoid function. A commonly used
loss function for binary semantic segmentation is the binary cross entropy loss.
To counter over-fitting and improve the generalization capability of a trained
model, a regularization term R(·) is often added to the objective function as
N

EW = L (y, f (xi ; W)) + λR(W) (1)
i=1

where the scalar λ determines the weighting between two terms. One popular
regularization function is 2 -regularization, such that R(W) = W22 . Search of
14 F. Gu et al.

Fig. 1. From left to right are the patches with the same central coordinates, where
mpp = 0.5 is equivalent to 20x and so forth. The increase of mpp values corresponds to
the zooming out action to enlarge the field of view, and the yellow squares represent
the effective tissue ares at different magnifications. (Color figure online)

Fig. 2. An illustration of the proposed MRN methods when two resolutions are
involved. The dark blue boxes represent stacks of two 3 × 3 convolution layers with
ReLU activations; the red boxes are 2 × 2 max pooling layers; the light blue boxes are
1 × 1 convolution layers with identity activations; the green boxes are 2 × 2 transposed
convolution layers with stride = 2 and ReLU activations. (Color figure online)

the optimal set of parameters Ŵ = arg minW EW for the objective function is
known as optimization in machine learning. Popular optimizers include stochas-
tic gradient descent (SGD), adaptive gradient (AdaGrad), and root mean square
propagation (RMSProp). Recently, adaptive moment estimation (Adam) [10] has
become a particularly popular method for optimizing deep networks.

3.2 Multi-resolution Networks

Here we propose two multi-resolution networks (MRN) that are based on the
architecture of U-Net [13]. A standard U-Net can be seen as two parts, an
‘encoder’ for downsampling and a ‘decoder’ for upsampling. The downsampled
feature maps are concatenated with the corresponding layers of the decoder in
the upsampling pathway. The proposed MRN employ multiple encoders corre-
sponding to different resolutions that are structurally identical for downsam-
pling, and one single decoder for upsampling.
 MRN for Semantic Segmentation in WSIs 15

The input shapes of all resolutions are identical, and the examples share
the common central coordinates and effectively cover tissue areas in a pyramid
manner, as in Fig. 1. Let (x, y) be an example, where xj = [x1 , x2 , . . . , xJ ] and
y = y1 , where the resolutions are in a descending order. The shapes of x and y
are there h × w × 3 × J and h × w × 1 respectively. The rationale behind such an
arrangement is that the pixel correspondence is more cumbersome compared to
a standard U-Net. A key issue is to enable a sufficient receptive field for the low
resolution branches of the network to successfully convey the information from
the peripheral regions into the central parts.
To preserve the information relevant to the area of interest (i.e. the central
part) at a lower resolution, we center crop the output feature maps of each
encoder unit and then resize them back to the original resolutions via upscaling.
We can defined a nested function u ◦ v such that
w h w h
u : Rw×h×c → R γ × γ ×c and v : R γ × γ ×c → Rw×h×c (2)
where the cropping factor is γ = 2N , since resolutions at different levels of a WSI
are usually downsampled by a factor 2 in both height and width. On one hand,
the function u center crops a real-valued tensor of shape h×w ×c (height, width,
and channels) to the shape of  w h
γ  ×  γ  × c. On the other hand, the function
v upscales the output of u to the original shape. For upscaling, we present two
options, namely ‘MRN-bilinear’ via bilinear interpolation and ‘MRN-transposed’
through transposed convolution.
The outputs of u ◦ v are concatenated with the convoluted feature maps of
the corresponding layers in the encoder of the highest resolution. The concate-
nated feature maps are then passed though a 1 × 1 convolution layer with an
identity activation, before being combined with layers in the decoder. The 1 × 1
convolution acts as a weighted sum to aggregate feature maps from all the reso-
lutions, while keeping the number feature maps in the decoder constant despite
the number of resolutions involved. Figure 2 illustrates an example of such net-
works when two resolutions are involved, and this is easily expandable with more
resolutions.

4 Experimental Conditions
4.1 Implementation Details
We implemented all the networks in TensorFlow, with ‘SAME’ padding. Batch
normalization and 2 -regularization with λ = 0.005 were applied to all the con-
volution and transposed convolution layers, to improve convergence rates and
counter over-fitting. We employ the Adam optimizer with default parameters
(η = 0.001, β1 = 0.9, β2 = 0.999, and  = 10−8 ). The input shape is 512 in height
and width, and the collection of resolutions are mpp ∈ {0.5, 1, 2, 4}, where the
U-Net deals with one of the resolutions at each time and the MRN methods
handles all the resolutions simultaneously. The batch size is equal to 16, which is
limited by the VRAM of an NVIDIA Titan XP. The number maximum epochs
is set to 500 for the training to be terminated.
Another random document with
no related content on Scribd:
uteliaisuutta.

Rouva pudisti päätään, katsoen epäilevästi tyttäreensä.

"Se ei auttaisi mitään", sanoi hän. "Se ei auttaisi mitään."

"No niin! Enhän minä tahdo sekaantua teidän asioihinne", sanoi

laivuri. "Mutta vuoden kuluessa käyn minä useammassa satamassa.
Voisinhan vähän tarkemmin katsella ympärilleni, jos vaan tietäisin
minkä näköinen etsittävä henkilö on."

Rouva käänteli tuskallisesti ruumistaan, ikäänkuin haluten, mutta

myös peläten, ilmoittaa jotakin.

"Katsokaas! Kadotimme hänet hyvin omituisten asianhaarain

vallitessa", sanoi hän lopulta. "Hän…"

"Eihän minun, rouva hyvä, niitä tarvitse tietää", keskeytti laivuri

hyväntahtoisesti, vilkasten tyttöön.

"Meidän ei ole sopinut ilmoittaa sanomalehdessä", sanoi nyt tyttö

kirkkaalla äänellään. "Isäni ei osaa lukea, eikä kirjoittaa… Hän oli
hyvin äkkipikainen, tulinen mies, ja viisi vuotta sitten löi hän erästä
miestä, kuten pelkäsi, kuolettavasti. Sen jälkeen emme ole kuulleet
emmekä nähneet häntä."

"Isänne oli varmaan äärettömän vahva?" tiedusteli laivuri.

"Sanottiin olleen hänellä jotakin kädessä", sanoi tyttö punastuen.

"Mutta mies parani nopeasti ja oli jo kahden päivän perästä
uudestaan työssään eikä senjälkeen ole kantanut minkäänlaista
vihan kaunaa isääni kohtaan."
 "No, silloinhan hän voi olla missä tahansa", sanoi laivuri
päättävästi.

"Siellä missä laivoja on, ainoastaan siellä hän viihtyy", sanoi vanha
rouva, "se on minun vakaumukseni. Ollen itse kapteeni ja vanha
merimies ei hän voi elääkään muualla kuin meren läheisyydessä ja
ainoastaan siellä voi hän ansaita toimeentulonsa — miesraukka —
ellei hän jo ole lähtenyt ulkomaille, joka kuitenkin on hyvin
epäiltävää."

"Parkkilaiva", sanoi laivuri, katsellen öljyvärillä maalattua taulua

seinällä.

Vanha rouva nyökkäsi. "Niin, se oli hänen laivansa", sanoi hän

laivurin katsetta seuraten. "Mutta maalarin oli mahdoton saada
varjoja hänen mielikseen. Luulenpa tuskin koko Englannissa
löytyvän ketään, joka olisi ollut tarkempi varjoista, kuin juuri hän."

"Minkä näköinen hän suunnilleen oli?" kysyi Wilson.

"Odottakaapas, näytän hänen valokuvansa teille", sanoi rouva

nousten seisomaan ja jättäen huoneen.

Tyttö istui ikkunan ääressä ja neuloi ahkerasti. Laivuri koetti kaikin

mokomin näyttää häikäilemättömältä, yskäsi kerran, toisen ja aikoi
juuri sanoa jotakin ilmasta, kun tyttö käänsi päänsä ja katsoi
uteliaasti ikkunasta kadulle. Laivuri hölmistyi, vilkasi uudestaan
seinällä riippuvaa laivaa ja jäi katselemaan sen varjoja, ehkäpä
suuremmalla vastenmielisyydellä, kuin itse kadonnut kapteeni sitä oli
katsellut.
 "Tämä otettiin juuri vähän ennen hänen katoamistaan", sanoi
vanha rouva astuen taas sisään ja ojentaen valokuvan laivurille.
"Voitte kernaasti pitää sen."

Laivuri tarkasti kuvaa: leveäharteinen, noin kuusikymmenvuotias

poskipartainen mies. Sitten pisti hän sen povitaskuunsa ja nousi
seisomaan.

"Jos hänet nyt tapaan", sanoi hän pitkäveteisesti, "niin saanen

tietää mikä on hänen nimensä?"

"Gething", vastasi vanha rouva. "Kapteeni Gething. Jos hänet

tapaatte ja sanotte, ettei hänen mitään tarvitse pelätä ja että hänen
vaimonsa ja tyttärensä Annis kuolevat ikävään, silloin teette hyvän
työn, josta elinaikamme olemme teille kiitollisia."

"Koetan parastani", sanoi Wilson lämmeten. "Hyvästi!"

Hän puristi vanhan rouvan kättä, seisoi sitten hetkisen kädet

sivulle riippuen ja katseli epäilevästi Annista.

"Hyvästi", sanoi tämä ystävällisesti.

Rouva Gething seurasi laivuria ovelle.

"Olisimme hyvin kiitollisia", sanoi hän, "jos Gravesendissä

käydessänne kävisitte kertomassa, miten pitkälle etsinnässä olette
joutuneet."

Laivuri lupasi, kiiruhti vikkelästi alas rappusia, vilkasi taaksensa

ylös ikkunaan, mutta huomatessaan tytön vaipuneen työhönsä, asteli
hän hiljaa kohti laivaansa.
 *****

Laivuri istui jo myöhäisen päivällisensä ääressä, kun hän vasta

muisti neiti Gethingin kihlauksen. Yht'äkkiä lensi tämä ajatus hänen
aivoihinsa, veitsi putosi lautaselle, ja pää vaipui käsien varaan
synkkiin ajatuksiin. Hetken kuluttua otti hän kuvan taskustaan ja
tarkasti sitä huolellisesti.

"Mitäs tästä sanotte?" kysyi hän vihdoin ojentaen kuvan uteliaana

vieressä katselevalle perämiehelle.

"Joku ystävänne?" kysyi perämies varovasti.

"Ei!"

"Hm! — — Niin! — — Mitäs sanomista minulla hänestä olisi",

tuumi perämies. "Mistä olette saaneet sen?"

"Joku antoi sen minulle", sanoi laivuri salaperäisesti. "Mies on

kadoksissa ja minun pitäisi ottaa selvää hänestä. Hyvä jos tekin
pidätte silmänne auki."

"Mistä häntä sitten etsitään?" kysyi perämies.

"Kaikkialta. Minulle sanottiin hänen epäilemättä oleskelevan

jossakin merikaupungissa. Jos hyväntahtoisesti tahdotte auttaa
minua, olen teille erinomaisen kiitollinen."

"Tietystikin minä autan. Mitä mies muuten hommailee?"

"Sitä en tiedä itsekään? Viisi vuotta on hän ollut kadoksissa, ja

minä lupasin tehdä parhaani etsimisessä."

"Sukulaiset ovat levottomia, otaksun", sanoi perämies.

 "Niin."

"Olen aina pannut merkille", jatkoi perämies, "naisten olevan

levottomampia kuin miesten tällaisissa tapauksissa."

"Avosydämisimpiä", sanoi laivuri.

"Mikään ruma naama ei tuo totta vieköön olekaan, kun sitä

tarkemmin katselee", sanoi perämies. "Tuntuu siltä kuin olisin nähnyt
ennenkin tämännäköisen ihmisen, — tyttö, muistelen — mutta
missä…?"

"Kaiketi jonkun partaisen naisen markkinateltassa", tiuskasi laivuri

vihaisena.

Keskustelu taukosi, kun Henry astui sisään. Huomattuaan kuvan

perämiehen kädessä, alkoi hän kiireesti koota astioita kaappiin,
mutta samassa sanoi hänelle katseensa perämiehen pitelevän
kuvaa ylösalaisin, omantunnon kuiskatessa sen tapahtuvan hänen
tähtensä. Poika katsoi välinpitämättömänä toisaalle, mutta pieneen
kirjanpitovihkoon, jota hän huolellisesti piti (ajatuksissaan), tuli vienti
perämiehen tilin debet-puolelle.

"Henry!" sanoi laivuri yht'äkkiä.

"Niin, kapteeni?"

"Sinä olet vikkelä poika. Katsoppas tuota valokuvaa."

Henryn kasvot loistivat ihastuksesta. Pilkallisesti vilkasi hän

perämieheen, sieppasi valokuvan hänen kädestään ja kuunteli
tarkkaavana samoja selityksiä kuin perämies äsken.
 "Voit viedä sen mukanasi keulaan ja näyttää miehistöllekin", sanoi
laivuri lopuksi.

"Miehistölle —?" kysyi Henry ihmetellen.

"Niin. Miehistölle. Enkö puhu tarpeeksi selvään?"

"Kyllä, kyllä. Mutta se vaan tahraantuu siellä. Ajatelkaa paksua

Samia, kokkia ja Dickiä… ."

"Tee sinä kuten käskin", sanoi laivuri äreästi.

"Tietysti", vastasi Henry. "Mutta ihmettelen mitä vastaan kaikkiin

heidän turhiin kysymyksiinsä, — kuka hän on ja miksi te haluatte
tietoja hänestä?"

"Ota se mukaasi keulaan", sanoi laivuri, "ja sano: kuka ensiksi

tapaa tämän miehen, saa kaksi puntaa."

Päästyään kannelle tarkasti poika kuvaa mahdollisesti

ensimäiseksi päästäkseen rikkauden omistajaksi ja vei sen vihdoin
keulaan. Paksu Sam sanoi heti nähneensä saman miehen muutama
päivä sitten Poplarissa; kokki tunsi naaman yhtähyvin kuin äitinsä, ja
Dick oli useita vuosia jo tuntenut hänet erääksi Plymouthin
arvokkaimmaksi asujameksi. Henry vei kuvan takaisin laivurille ja
kerrottuaan kuulemansa, esitti hän alamaisesti etsimisen
alotettavaksi jo Gravesendissä.

Oli keskiyö, kun ankkuri vedettiin ylös. Gravesendissä oli kaikki

hiljaista; ainoastaan joku kaasulyhty välähteli silloin tällöin
rakennusten takaa "Merilokin" liukuessa jokea merelle.
III LUKU.

Neljässä päivässä saavuttiin Brittleseaan. Koko tämän ajan vietti

laivuri suurimmaksi osaksi hiljaisessa mietiskelyssä ja
synkkämielisyydessä, jättäen työt kokonaan perämiehen huostaan.

Päivä alkoi hämärtää, kun laiva oli kiinnitetty rantaan. Ainoastaan

pari kalastajaa istuskeli vielä laiturilla piippu hampaissaan.
Avonaisesta kapakan ovesta vastapäätä kuului iloisia ääniä ja lasien
kilinää, muistuttaen salaperäisesti miehistölle kapteeni Gething'iä.

Kylmäverisemmät miehistöstä epäilivät kapteenin löytyvän noin

vaan ensi tilassa, mutta kokki päätti että "kuta pikemmin alottaa, sitä
pikemmin löytää." Voihan hän yhtähyvin nyt juuri tuossa ravintolassa
odotella löytymistään.

Illalla lähdettiin miehissä maalle ja tarkastettiin ensimäinen

ravintola, kuitenkin tuloksetta. Ainoa, mikä hiukankin muistutti
etsittävää, oli eräs vanha, hyvin kuumaverinen mies, joka kiukustui
huomatessaan kokin vaanivat katseet ja kysyi oliko kokki kadottanut
jotakin. Kokki pyysi kohteliaasti anteeksi, ja miehet siirtyivät toiseen
ravintolaan. Mutta täälläkään ei onni hymyillyt lempeämmin. Dick
selitti oluen olevan huonompaa kuin edellisessä eikä kenenkään
haluavan täällä rahojaan kuluttaa. Matkaa siis jatkettiin edelleen ja
ennenkuin puolissakaan niistä oli ehditty käydä oli jo ravintolain
sulkemisaika käsissä.

"Tämähän on koko romaani", sanoi Sam, ääni sopertaen, kun

hänet viimeisestä oluttuvasta vähemmän lempeäkouraisesti syöstiin
kadulle. "Minne nyt mennään?"

"Laivaan", sanoi Dick. "Tule nyt!"

"Vasta sitten kun olen löytänyt hänet", sanoi Sam arvokkaasti ja

työnsi apuaan tarjoavan Dickin syrjään.

"Et sinä häntä yöllä löydä, Sam", sanoi kokki.

"Miksikä en?" kysyi Sam ja tirkisti miehiä lasimaisine silmineen.

"Sitävartenhan juuri uloskin lähdimme."

"Nythän on pimeä", sanoi kokki.

Sam nauroi halveksivasti.

"Tule mukaan nyt", sanoi Dick ja tarttui hänen käsivarteensa.

"Läksin ulos saadakseni selvän kapteeni… kapteeni… saadakseni

selvän hänestä", sanoi Sam. "Minä en tule laivaan ilman häntä."

Hoiperrellen läksi hän alas katua, ja molemmat merimiehet, joiden

yksinkertaiset elämäntavat kielsivät jättämästä kumppania
tällaisessa tilassa, seurasivat muristen perässä.

Puolituntinen asteltiin katuja. Dickin kärsivällisyys oli suuressa

koetuksessa nähdessään Samin tuontuostakin, milloin toisella,
milloin toisella puolen katua, kauppapuodin rappusten tai muiden
senlaisten esteiden sattuessa, nenä maassa etsivän kadonnutta
kapteenia. Lopulta pysähtyi Sam erään talon eteen, otti muutamia
askeleita eteenpäin — takaisin ja ryntäsi vasten porttia.

"Tartu kiinni kokki!" huusi Dick ja kiersi käsivartensa Samin

vyötäisille.

Kokki tarttui kurkkuun, ja molemmat miehet koettivat ähkyen

saada toverin mukaansa.

"Tule sinä laivaan vaan, vanha hupsu", sanoi Dick kiukuissaan.

"Olemme jo saaneet tarpeeksi hullutuksistasi."

"Päästäkää", kirkui Sam, potkien vastaan minkä voi.

"Hellitä portinkahvasta", sanoi Dick varottavalla äänellä.

"Siellä hän on", sanoi Sam ja nyökäytti itsetietoisena päätään taloa

kohden.

"No, jos tulet, niin tule nyt, vanha hullu", toisti Dick. "Tosiaankin
olisi parasta, ettet koskaan joisi mitään maitoa väkevämpää."

"Riisu takkini, kokki", sanoi Sam, samalla kun hänen käytöksensä

yht'äkkiä muuttui uhkaavaksi.

"Älä hulluttele", pyyteli kokki.

"Riisu takkini, kuuletko, kokki", toisti Sam, ylpeästi katsellen

ympärilleen.

"Eihän sinulla takkia olekaan", sanoi kokki. "Etkös näe

merimiespaidassa kulkevasi. Niin juovuksissa et sentään liene."
 "Pitele kiinni sitten minusta, kunnes saan sen päältäni", sanoi Sam
tunteellisesti.

Vastoin parempaa tahtoansa piteli kokki leveähartiaista matruusia

tämän riisuessa. Dick odotti kunnes paksu, ahdas paita oli noussut
yli pään. Silloin työnsi hän kokin syrjään, tarttui uhriinsa ja alkoi
vetää häntä perässään.

"Kuluttele nyt vähän housunpolviasikin ja rankaise sitten ketä

haluat", sanoi hän sydämettömästi. "Kas niin, — ole hyvä ja istu!"

Sam solui käytävälle ja Dick, kokin seuraamana, riensi matkaansa.

Suurikokoinen matruusi-raukka sätisteli pitkän aikaa pää ja kädet

ahtaassa merimiespaidassa, päästellen lauseita, jotka, vaikkakin
tulivat mailmalle yllämainitun vaatekappaleen lieventäminä, kuitenkin
olivat merkillisen meheviä ja kuuluvia. Lopulta pääsi hän vapaaksi,
heitti kiukkuisena paitansa kadulle, otti sen uudestaan ylös, pisti
kainaloonsa ja marssi takaisin laivaan.

Seuraavana aamuna herätessään ei hänen muistinsa ollut

ollenkaan selvä. Joku pimeä aavistus loukkauksesta sai hänet
kuitenkin kohtelemaan Dick'iä nähtävällä kylmyydellä, mikä kannella
yhdessä työskennellessä sentään vähitellen lämpeni. Sementin
purkaus on kuivaa työtä, ja hetkisen taisteltuaan sydämessään
seurasi hän kokin pyyntöä ja joi kupin kajuutasta takaisin tullutta
kahvia.

Kokki pesi kahviastiat ja pitäen tomuista kantta kuumaa keittiötä

mukavampana, siirtyi hän kannelle pesemään likaista puuropataa.
Tämä, kuten jokainen lukija tietää, on työtä, missä ajatukset voivat
vapaasti lennellä. Kokki katseli kaihoten maalle, koettaen keksiä
keinoa päästäkseen kapteeni Gethingin jälille. Että valokuva oli
parhain apukeino, selveni hänelle yht'äkkiä, ja uuden ajatuksen
valloittamana jätti hän puuropadan ja meni alas kajuuttaan. Pian tuli
hän uudestaan kannelle valokuva kädessään ja läksi kiireesti maalle.

Kolmelta ensimäiseltä vastaantulevalta, joiden kanssa hän jutteli

asiasta, ei lähtenyt mitään tietoja. Katseltuaan uteliaasti kuvaa ja
tehtyään mitättömiä huomautuksia sen onnistumisesta, olivat he
kaikki varmoja, ettei Brittleseassa sen näköistä miestä löytynyt.
Kokki aikoi jo jättää koko hommansa, kun samassa huomasi vanhan
kalastajan seisovan eräässä porttikäytävässä.

"Kaunis ilma tänään", sanoi kokki.

Vanhus otti kohteliaasti piipun hampaistaan ja nyökkäsi.

"Olettekohan koskaan sattunut näkemään tämän muotoista

ihmistä?" kysyi kokki vetäen valokuvan taskustaan.

Vanha mies asetti piipun uudestaan suuhunsa ja katseli tarkasti

kuvaa.

"Merkillistä, miten hyvin näitä tähän aikaan jo tehdään", sanoi hän

vapisevalla äänellä. "Minun ja teidän nuoruudessanne ei tällaisista
vielä tiedetty mitään."

"Niin, keksinnöt kehittyvät", myönsi kokki ärtyisenä.

"Silloin tehtiin vaan maalaamalla muotokuvia", jatkoi mies

muistelmiaan, "tai piirustettiin mustalla liidulla."

"Oletteko koskaan nähnyt sen näköistä miestä?" kysyi kokki

kärsimättömästi.
 "Tietysti minä olen. Kyllä kuulette pian", sanoi vanha mies
valittavalla äänellä. "Antakaas kun vähän ajattelen… No, mikä hänen
nimensä nyt taas olikaan?"

"En minä vaan tiedä", valehteli kokki.

"Kyllä minä sen muistaisin kunhan vaan kuulisin", sanoi vanha

mies pitkäveteisesti. "Kas, niin! Nyt minä sen muistan!"

Iloisena naputti hän sormella otsaansa ja tirkisteli kokkia

kyyneltyneillä vanhoilla silmillään.

"Muistoni on aivan entisellään", sanoi hän itsekehuvasti.

"Toisinaan kyllä unohdan asioita, mutta ne tulevat takaisin. Äitini oli
ihan samanlainen, ja hän eli 93 vuoden vanhaksi."

"No mikäs se nimi oli?" kysyi innostunut kokki.

Vanha mies hämmästyi. "Kirottua", huudahti hän huolestuneena,

"nyt se meni taas — mutta kyllä se takaisin tulee, siitä olen varma."

Kokki odotti pakolaista kymmenen minuuttia. "Ei suinkaan se ollut

Gething?" kysyi hän lopulta.

"Ei", vastasi vanha mies. "Älkäähän nyt hätäilkö niin riivatusti; kyllä
se takaisin tulee."

"Koska?" kysyi kokki malttamattomana.

"Ehkäpä viiden minuutin — ehkäpä kuukauden perästä", sanoi

ukko, muistoaan jännittäen.

"John Dunn'han se on!" huudahti hän yht'äkkiä. "John Dunn!"

 "Ja missä hän asuu?" kysyi kokki hätäisesti.

"Holebournessa", sanoi ukko, "pikku kylässä, noin seitsemän

penikulmaa täältä."

"Oletteko varma asiasta?" kysyi kokki vapisevalla äänellä.

"Kuin kallio", vastasi toinen vakuuttavasti. "Hän tuli tänne noin

kuusi vuotta sitten, mutta riitaannuttuaan isäntänsä kanssa muutti
hän Holebourneen."

Kokin korvia kuumotti; hän silmäsi kuunaria laiturin ääressä. Työ

kävi tomupilven keskessä kuten ennenkin eikä kukaan näyttänyt
huomanneen hänen poissaoloaan.

"Jos haluavat päivällistä", sanoi hän itsekseen, tarkoittaen

tomuisia olentoja kuunarin kannella, "niin keittäkööt itse, siinä koko
asia. Ettekö ottaisi 'lasia' vanhus?"

Tämä oli heti valmis, ja saatuaan kokilta muutaman lasin lönkytti

mies hänen vieressään läpi pienen kaupungin ja osotettuaan kokille
oikean tien Holebourneen, palasi hän takaisin rakkaaseen
porttikäytäväänsä.

Kokki jatkoi vihellellen matkaansa, ajatellen mielihyvällä toisten

harmia, kun he kuulevat hänen onnestaan. Kolme penikulmaa
marssi hän väsymättä, kunnes lehmuksien välistä esiin pistävä
ilmoitustaulu kiinnitti hänen huomionsa pieneen ravintolaan vähän
matkaa tiestä. Ulkopuolella puutuolilla istui paksu isäntä janoovia
vieraita odotellen.

Kokki epäili silmänräpäyksen, lähestyi sitten hitaasti ravintolaa ja

istuutui vastapäätä isäntää ja tilasi lasin olutta.
 Isäntä nousi raskaasti ja vaivalloisesti, meni asuntoon täyttämään
määräystä ja palasi hetken kuluttua vaahtoava olutlasi kädessään.

"Juokaahan itse vaahto pois", sanoi kokki kohteliaasti.

Paksu mies totteli iskien silmää.

"Varmaan kävelymatkalla maalle", kysyi hän laskien melkein

tyhjän olutlasin kokin eteen.

Kokki myönsi.

"En sentään yksin huvin vuoksi", sanoi hän. "Liikun asioissa."

"Vai niin! Olette siis niitä koko maailman rahain kokoojia", sanoi
isäntä leikillisesti. "Miten pitkälle aiotte?"

"Holebourneen", vastasi toinen.

"Onko tuttavia siellä?" kysyi isäntä.

"No, eipä juuri", sanoi kokki. "Etsin vaan erästä John Dunnia."

"Hänestä ette suuria hyödy", sanoi ulos tullut emäntä. "Hän on

oikea erakko."

Kokki siristi silmiään ja hymyili pahantapaisesti.

"Hänessä on jotain kummallista", jatkoi emäntä. "Kukaan ei tiedä,

mikä hän on, ja itse ei hän sitä myöskään ilmoita. Kun mies elelee
sillälailla, huomaa heti hänen asioittensa olevan hullusti — ainakin
minä huomaan."

"Hävytön hän kuitenkin kuuluu olevan", sanoi isäntä.

 "Vai niin", sanoi kokki. "Minulle ei hän tule olemaan hävytön."

"Tiedättekö hänestä sitten jotakin?" kysyi emäntä.

"No, ehkäpä vähäsen", sanoi kokki salaperäisesti.

Isäntä viittasi vaimolleen ja kumartui kuiskaamaan hänen

korvaansa; kokki kuuli selvästi sanan "salapoliisi."

Vilkaisten uteliaasti vierasta, riensi emäntä tarjoilemaan parille

sisäänpoikkeavalle ajomiehelle. Miehet istuutuivat viereiseen
pöytään ja keskustelu kävi yleiseksi. Ajomiehet olivat ihan samaa
mielipidettä herra Dunnista kuin isäntäväkikin. Kokkia katseltiin
syvällä kunnioituksella, ja hänen tarjottuaan kaikille lasin olutta,
olisivat miehet olleet valmiit kuljettamaan hänet maksutta
jauhokuorman päällä Holebourneen.

"Kiitoksia, kävelen kernaimmin", sanoi kokki katsahtaen

lastivaunuihin. "Toivon pääseväni perille kaikessa hiljaisuudessa,
saadakseni vähän katsella ympärilleni ennenkun alan toimia."

Hän jäi istumaan ja lepäämään vielä hetkiseksi, vastaten

mahdollisimman varovasti emännän uteliaisiin kysymyksiin.
Lastivaunut jatkoivat ritisten ratisten matkaansa Holebournen tietä,
mutta vasta sitten kun oli syönyt yksinkertaisen aamiaisen juustoa ja
leipää ja polttanut piipullisen tupakkaa, jatkoi kokki matkaansa.

"Näes miten hän kävelee", sanoi isäntä, pariskunnan katsellessa

vieraansa kulkua maantiellä.

"Niin", sanoi emäntä.

 "Aivan kuin vainukoira", sanoi isäntä. "Katsoppas vaan häntä.
Tunsin miehessä heti salapoliisin."

Kokki kulki edelleen tietämättömänä käyntinsä aikaansaattamasta

ihailusta. Mutta vähitellen alkoi häntä harmittaa avomielisyytensä.
No! Paljoa ei hän ollut puhunut, ja jos kuulijat väärin ymmärsivät, oli
se heidän oma asiansa.

Tällaisten ajatusten valtaamana saapui hän Holebourneen, kylään,

missä yksi katu, kapakka ja kirkko olivat tärkeimmät mainittavat.
Kadun toisessa päässä, pienen hyvin hoidetun puutarhan keskellä
olevan rakennuksen edessä seisoi väkijoukko juttelemassa.

"Jotain on tekeillä", tuumi kokki, maksaen korolla kyläläisten

uteliaisiin katseihin. "Missä herra Dunnin asunto on, poika?"

"Kyllä se tässä on", sanoi poika ja osoitti taloa, jonka edessä

väkijoukko seisoi. "Oletteko salapoliisi."

"En", sanoi kokki terävästi.

Aukaistuaan puutarhan portin, astui hän pihaan. Jännityksen

sorina kuului väkijoukosta, mutta kokki astui vakaana rappusille ja
kolkutti ovelle.

"Sisään", kuului matala basso-ääni.

Kokki seurasi käskyä ja sulki oven tarkkaan perässään. Hän oli nyt
pienessä salissa, vanhan suuttuneen näköisen, nojatuolissa
sanomalehteä lukevan herrasmiehen edessä.

"Mitä haluatte?" kuului ärtyinen kysymys.

 "Haluaisin tavata herra Dunn'ia", vastasi kokki levottomana.

"Se olen minä?"

Kokin kaikki toiveet sammuivat, sillä partaa lukuunottamatta ei

mies muistuttanut valokuvaa enempää kuin hän itsekään.

"Se olen minä", toisti ukko vahingoniloisena, rypistäen tuuheita

kulmakarvojaan.

Kokki hymyili hieman, koettaen koota ajatuksiaan.

"Vai niin! Vai te se olette", sanoi hän lopulta.

"Kuulin teidän etsivän minua", sanoi vanha mies. (Ääni kohosi

vähitellen karjunnaksi). "Sen tietää koko kylä. Mitä pirua nyt haluatte
minusta?"

"Minä, — minä luulen — — tämä on erehdys", änkytti pelästynyt

kokki.

"Vai niin! — Todellakin!" sanoi ukko pilkallisesti. "Kyllä tekin olette

kaunis salapoliisi — te! Haastatan oikeuteen teidät, annan vangita
teidät ja poliisikonstaapelimme kyllä huolehtii rangaistuksestanne."

"Tämä on erehdystä kaikki", sanoi kokki vavisten. "En minä

mikään salapoliisi ole."

"Seuratkaa mukanani", sanoi ukko, nousten seisomaan.

Kokki seurasi pihanpuoleiseen pieneen kamariin.

"Ettekö ole salapoliisi?" kysyi ukko osoittaen tuolia kokille.

"Tiedätte varmaan, mitä teeskenteleminen salapoliisina maksaa?
Istutte täällä kunnes tuon poliisin."

Kokilla ei tuntunut olevan halua.

"Vai niin", sanoi ukko. "Kyllä sittenkin haluatte." Hän astui ovelle ja
huusi rappusille: "Roger!"

Ennenkuin "Merilokin" hämmästynyt kokki oli kunnolla kääntynyt

katsomaan ovelle, kuului jo rappusilta sipsuttelevia askeleita ja
sisään astui mahdottoman suuri verikoira. Ollen puhdasrotuinen
omisti se vähintäänkin tusinan ominaisuuksia, mitkä muissa
olosuhteissa olisivat herättäneet kokissa sekä ihmettelyä että
ihastusta, mutta nyt hänen huomionsa kiintyi vaan sen erinomaisiin
hampaisiin.

"Pidä silmällä häntä, Roger", sanoi ukko ja otti hattunsa pöydältä.

"Elä laske liikkumaan."

Koira murisi, istuutui muutaman askeleen päähän kokista ja katseli

tätä epäiltävällä uteliaisuudella.

"Ei se teihin koske, ellette liikuttele", sanoi ukko.

Kokin silmät pimenivät; hän ajatteli päänsä ympäri. "Toivoisin

mieluimmin teidän jäävän tänne", huokasi hän, "niin, sen todellakin
teen. Koskaan maailmassa en ole tavannut ihmistä, johon niin olisin
kiintynyt kuin juuri teihin — heti ensi hetkestä."

"Parasta kun säästätte kirotut hävyttömyytenne jollekin toiselle",

tiuskasi toinen suuttuneena. "Pidä nyt silmällä vierasta, Roger."

Roger murisi kuin olisi mieluisankin toimen saanut, ja isäntä, vielä

kerran huomautettuaan liikkumisen vaarallisia seurauksia, poistui
huoneesta ja sulki oven jälkeensä.

Nyt seurasi hiljaisuus, jota häiritsi ainoastaan Rogerin syvä,

säännöllinen hengitys.

Varovasti kasteli kokki kielellään huuliansa ja alkoi hiljaa viheltää;

Roger vastasi murinalla, nousi ylös ja haukotteli merkitsevästi.

"Roger raukka!" sanoi kokki vapisevalla äänellä. "Vanha Roger

parka!
Kiltti, vanha poikaseni!"

"Kiltti, vanha poikaseni" astui uhkaavan näköisenä lähemmäksi ja

tarkasteli kokin väriseviä sääriä.

"Kiss, kiss!", sihisi kokki, saaden yht'äkkiä nopean tuuman, ja

osoitti ovea. "Kiss, kiss! Ota kiinni, Roger! Ota kiinni!"

"R-r-r-r", murisi Roger uhkaavasti. Kokin vapisevat jalat näyttivät

sille olevan mieluisampana syöttinä; äänekkäästi se niitä nuuski.

Kokki katseli kauhuissaan ympärilleen löytääkseen edes

hiilihangon. Sitten koetteli hän varovasti takkinsa alle, sai käteensä
suuren tuppiveitsen ja työnsi sen yht'äkkiä epätoivon rohkeudella
koiran selkään. Tämä ei vielä ehtinyt kunnollisesti asiaa
käsittääkään, kun veitsi jo uudestaan painui sen ruumiiseen. Kuului
väkinäinen ulahdus, koira kaatui lattialle, potkasi muutaman kerran ja
heitti henkensä.

Kaikki oli tapahtunut niin pikaisesti, että kokki pyyhkiessään vielä

veistään suureen pöytäliinaan, ei itsekään ymmärtänyt rikoksensa
halpamaisuutta; mutta halua ylistää vielä kerran tovereilleen
rohkeuttaan hänellä oli. Vaan huomattuaan samassa, paitsi asiaa,
jonkatähden herra Dunn jo oli lähtenyt poliisia etsimään, olevansa
vielä pakoitettu tekemään tiliä kuolleesta koirasta sekä
pilaantuneesta pöytäliinasta, katsoi hän parhaaksi
silmänräpäyksessä poistua. Päästyään takaovelle pisti hän veitsen
tuppeensa, hiipi hiljaa puutarhaan ja sieltä yli aidan. Sitten vilkasi
hän kerran taaksensa murhapaikkaa, nosti housujansa ja läksi
laputtiin.

Juostuaan yli kahden pellon saapui hän maantielle, kovin

vaivalloisesti hengittäen. Tie kävi ylös mäkeä, mutta siitä huolimatta
kokki jatkoi juosten kulkuaan ähkyen puhkuen aina mäen harjulle.
Täällä heittäytyi hän pitkäkseen tien viereen, kasvot kohti
Holebournea. Viisi minuuttia sen jälkeen ryntäsi hän uudestaan
pystyyn ja jatkoi kiireesti pakoaan, samalla kun useita henkilöitä
juoksi kylästä, alkaakseen takaa-ajon.

Hetkisen pysytteli hän maantiellä, mutta tuli samassa ajatelleeksi,

että joku takaa-ajajista ehkä voisi käyttää jotakin nopeampaa
kulkuneuvoa; sentähden tunkeutui hän läpi pensas-aidan ja läksi
juoksemaan ketoa. Vaikka jalkansa töin tuskin enään kannattivat
ruumista, jatkoi hän kuitenkin matkaansa vuoroin juosten, vuoroin
käyden, kunnes takaa-ajajia ei enää näkynyt.