MultiPathGAN: Structure Preserving Stain Normalization using Unsupervised Multi-domain Adversarial Network with Perception Loss

要約

組織病理学は、病気を診断するために顕微鏡組織画像の分析に依存しています。
組織の準備の重要な部分は染色です。これにより、顕著な組織成分をより識別しやすくするために染料が使用されます。
ただし、実験室のプロトコルとスキャン デバイスの違いにより、対応する画像の見え方にかなりの混乱が生じます。
この変動は、ヒューマンエラーと評価者間の変動の両方を増加させるだけでなく、自動または半自動の方法のパフォーマンスを妨げます。
本稿では、教師なしの敵対的ネットワークを導入して、複数のデータ取得ドメインにわたってスライド画像全体を変換 (したがって正規化) します。
私たちの主な貢献は次のとおりです。(i) 知覚的損失を最適化する情報フロー ブランチを使用して、単一のジェネレーター弁別ネットワークを使用して複数のドメインにわたって学習する敵対的アーキテクチャ、および (ii) ガイドするトレーニング中に追加の特徴抽出ネットワークを含めること。
変換ネットワークを使用して、組織画像のすべての構造的特徴をそのまま維持します。
(i) 120 例の腎臓がんの H&E スライドで提案された方法の有効性を最初に実証し、(ii) 柔軟な照明に基づく自然画像強調などのより一般的な問題に対するアプローチの利点を示します。
そして光源適応。

要約(オリジナル)

Histopathology relies on the analysis of microscopic tissue images to diagnose disease. A crucial part of tissue preparation is staining whereby a dye is used to make the salient tissue components more distinguishable. However, differences in laboratory protocols and scanning devices result in significant confounding appearance variation in the corresponding images. This variation increases both human error and the inter-rater variability, as well as hinders the performance of automatic or semi-automatic methods. In the present paper we introduce an unsupervised adversarial network to translate (and hence normalize) whole slide images across multiple data acquisition domains. Our key contributions are: (i) an adversarial architecture which learns across multiple domains with a single generator-discriminator network using an information flow branch which optimizes for perceptual loss, and (ii) the inclusion of an additional feature extraction network during training which guides the transformation network to keep all the structural features in the tissue image intact. We: (i) demonstrate the effectiveness of the proposed method firstly on H\&E slides of 120 cases of kidney cancer, as well as (ii) show the benefits of the approach on more general problems, such as flexible illumination based natural image enhancement and light source adaptation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google