Multi-domain stain normalization for digital pathology: A cycle-consistent adversarial network for whole slide images

要約

異なる医療センター間の組織学的染色の違いは、コンピューター支援診断の分野における最も深刻な課題の 1 つです。
病理学的全スライド画像の外観の不一致により、アルゴリズムの信頼性が低下し、癌診断などのダウンストリーム タスクの広範な適用が妨げられます。
さらに、異なる染色はトレーニングに偏りをもたらし、ドメインシフトの場合にはテストのパフォーマンスに悪影響を及ぼします。
したがって、この論文では、CycleGANに基づく染色正規化へのマルチドメインアプローチであるMultiStain-CycleGANを提案します。
CycleGAN への変更により、再トレーニングや異なるモデルを使用することなく、異なる起源の画像を正規化できます。
さまざまなメトリックを使用してメソッドの広範な評価を実行し、マルチドメイン対応の一般的に使用されるメソッドと比較します。
まず、医療センターを画像に割り当てようとするドメイン分類子を、この方法がどれだけうまく欺くことができるかを評価します。
次に、下流の分類子の腫瘍分類パフォーマンスで正規化をテストします。
さらに、構造類似性指数を使用して正規化された画像の画質を評価し、Fr\’echet 開始距離を使用してドメイン シフトを減らす能力を評価します。
私たちの方法がマルチドメイン対応であることが証明され、比較された方法の中で最高の画質を提供し、腫瘍分類器のパフォーマンスを高く保ちながらドメイン分類器を最も確実にだますことができることを示します。
ドメインの影響を減らすことで、一方ではデータの偏りを取り除くことができ、他方ではスライド画像全体の出所を偽装することができるため、患者データのプライバシーが強化されます。

要約(オリジナル)

The variation in histologic staining between different medical centers is one of the most profound challenges in the field of computer-aided diagnosis. The appearance disparity of pathological whole slide images causes algorithms to become less reliable, which in turn impedes the wide-spread applicability of downstream tasks like cancer diagnosis. Furthermore, different stainings lead to biases in the training which in case of domain shifts negatively affect the test performance. Therefore, in this paper we propose MultiStain-CycleGAN, a multi-domain approach to stain normalization based on CycleGAN. Our modifications to CycleGAN allow us to normalize images of different origins without retraining or using different models. We perform an extensive evaluation of our method using various metrics and compare it to commonly used methods that are multi-domain capable. First, we evaluate how well our method fools a domain classifier that tries to assign a medical center to an image. Then, we test our normalization on the tumor classification performance of a downstream classifier. Furthermore, we evaluate the image quality of the normalized images using the Structural similarity index and the ability to reduce the domain shift using the Fr\’echet inception distance. We show that our method proves to be multi-domain capable, provides the highest image quality among the compared methods, and can most reliably fool the domain classifier while keeping the tumor classifier performance high. By reducing the domain influence, biases in the data can be removed on the one hand and the origin of the whole slide image can be disguised on the other, thus enhancing patient data privacy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google