Learning image representations for anomaly detection: application to discovery of histological alterations in drug development

要約

病理組織学的画像の異常検出システムを提示します。
組織学では、通常、正常なサンプルは豊富にあるのに対し、異常な (病理学的) 症例はほとんどないか入手できません。
このような設定では、健全なデータでトレーニングされた 1 クラスの分類器は、分布外の異常なサンプルを検出できます。
画像の事前トレーニング済み畳み込みニューラル ネットワーク (CNN) 表現と組み合わせたこのようなアプローチは、以前は異常検出 (AD) に使用されていました。
ただし、事前にトレーニングされた既製の CNN 表現は、組織の異常な状態に敏感ではない可能性がありますが、健康な組織の自然な変化は遠い表現になる可能性があります。
健康な組織の関連する詳細に表現を適応させるために、さまざまな種、臓器、および染色試薬の健康な組織を識別する補助タスクで CNN をトレーニングすることを提案します。
正常なサンプルには前述のラベルが自動的に付けられるため、追加のラベル付けワークロードはほとんど必要ありません。
トレーニング中に、中心損失項を使用してコンパクトな画像表現を適用し、AD の表現をさらに改善します。
提案されたシステムは、肝臓の異常の公開されたデータセットで確立された AD メソッドよりも優れています。
さらに、特に肝臓の異常の定量化のために調整された従来の方法に匹敵する結果を提供しました。
私たちのアプローチは、開発の初期段階で候補薬の毒性評価に使用できるため、高価な後期段階の薬の消耗を減らす可能性があることを示しています。

要約(オリジナル)

We present a system for anomaly detection in histopathological images. In histology, normal samples are usually abundant, whereas anomalous (pathological) cases are scarce or not available. Under such settings, one-class classifiers trained on healthy data can detect out-of-distribution anomalous samples. Such approaches combined with pre-trained Convolutional Neural Network (CNN) representations of images were previously employed for anomaly detection (AD). However, pre-trained off-the-shelf CNN representations may not be sensitive to abnormal conditions in tissues, while natural variations of healthy tissue may result in distant representations. To adapt representations to relevant details in healthy tissue we propose training a CNN on an auxiliary task that discriminates healthy tissue of different species, organs, and staining reagents. Almost no additional labeling workload is required, since healthy samples come automatically with aforementioned labels. During training we enforce compact image representations with a center-loss term, which further improves representations for AD. The proposed system outperforms established AD methods on a published dataset of liver anomalies. Moreover, it provided comparable results to conventional methods specifically tailored for quantification of liver anomalies. We show that our approach can be used for toxicity assessment of candidate drugs at early development stages and thereby may reduce expensive late-stage drug attrition.

arxiv情報

著者 Igor Zingman,Birgit Stierstorfer,Charlotte Lempp,Fabian Heinemann
発行日 2023-01-18 18:49:26+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV, cs.LG パーマリンク