Domain adaptation strategies for cancer-independent detection of lymph node metastases

要約

最近、大規模で高品質の公開データセットにより、専門の病理学者のレベルで乳がんのリンパ節転移を検出できる畳み込みニューラルネットワークが開発されました。
多くの癌は、発生部位に関係なく、リンパ節に転移する可能性があります。
ただし、すべてのがんの種類について、大量の高品質のデータセットを収集して注釈を付けることは困難です。
このホワイトペーパーでは、密接に関連するタスクのマルチタスク設定で、既存の高品質データセットを最も効率的に活用する方法を調査します。
具体的には、リンパ節における結腸および頭頸部の癌転移の検出のために、壊滅的な忘却の防止を含む、さまざまなトレーニングおよびドメイン適応戦略を探求します。
私たちの結果は、両方の癌転移検出タスクで最先端のパフォーマンスを示しています。
さらに、マルチタスク転移検出ネットワークを取得するために、あるがんの種類から別の種類のがんにネットワークを繰り返し適応させることの有効性を示します。
最後に、既存の高品質のデータセットを活用することで、新しいターゲットタスクのパフォーマンスを大幅に向上させることができ、正則化を使用して壊滅的な忘却を効果的に軽減できることを示します。

要約(オリジナル)

Recently, large, high-quality public datasets have led to the development of convolutional neural networks that can detect lymph node metastases of breast cancer at the level of expert pathologists. Many cancers, regardless of the site of origin, can metastasize to lymph nodes. However, collecting and annotating high-volume, high-quality datasets for every cancer type is challenging. In this paper we investigate how to leverage existing high-quality datasets most efficiently in multi-task settings for closely related tasks. Specifically, we will explore different training and domain adaptation strategies, including prevention of catastrophic forgetting, for colon and head-and-neck cancer metastasis detection in lymph nodes. Our results show state-of-the-art performance on both cancer metastasis detection tasks. Furthermore, we show the effectiveness of repeated adaptation of networks from one cancer type to another to obtain multi-task metastasis detection networks. Last, we show that leveraging existing high-quality datasets can significantly boost performance on new target tasks and that catastrophic forgetting can be effectively mitigated using regularization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google