Improved HER2 Tumor Segmentation with Subtype Balancing using Deep Generative Networks

要約

病理組織学的画像における腫瘍のセグメンテーションは、さまざまな組織学的サブタイプの構成とクラスの不均衡によって複雑になることがよくあります。
有病率の低い特徴を持つサブタイプのオーバーサンプリングは、最終的にオーバーフィッティングにつながるため、満足のいく解決策ではありません。
意味的に条件付けられた深い生成ネットワークを使用して合成画像を作成し、サブタイプのバランスが取れた合成画像を元のデータセットと組み合わせて、セグメンテーションのパフォーマンスを向上させることを提案します。
Generative Adversarial Networks (GAN)、特に拡散モデルが、HER2 染色組織病理学のユースケースのサブタイプ条件付けに基づいてリアルな画像を作成するのに適していることを示します。
さらに、変更されたサブタイプで HER2 腫瘍領域を条件付きで修復する拡散モデルの機能を示します。
元のデータセットを同量の拡散生成画像と組み合わせると、腫瘍の Dice スコアが 0.833 から 0.854 に増加し、HER2 サブタイプのリコール間の分散がほぼ半分になりました。
これらの結果は、個々の HER2 サブタイプ間のパフォーマンスの分散がより低い、より信頼性の高い自動 HER2 分析の基礎を作成します。

要約(オリジナル)

Tumor segmentation in histopathology images is often complicated by its composition of different histological subtypes and class imbalance. Oversampling subtypes with low prevalence features is not a satisfactory solution since it eventually leads to overfitting. We propose to create synthetic images with semantically-conditioned deep generative networks and to combine subtype-balanced synthetic images with the original dataset to achieve better segmentation performance. We show the suitability of Generative Adversarial Networks (GANs) and especially diffusion models to create realistic images based on subtype-conditioning for the use case of HER2-stained histopathology. Additionally, we show the capability of diffusion models to conditionally inpaint HER2 tumor areas with modified subtypes. Combining the original dataset with the same amount of diffusion-generated images increased the tumor Dice score from 0.833 to 0.854 and almost halved the variance between the HER2 subtype recalls. These results create the basis for more reliable automatic HER2 analysis with lower performance variance between individual HER2 subtypes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google