Enhanced Sharp-GAN For Histopathology Image Synthesis

要約

組織病理学の画像合成は、正確ながん検出のための深層学習アプローチのトレーニングにおけるデータ不足の問題に対処することを目的としています。
ただし、既存の方法は、正確な核境界とアーティファクトの少ない現実的な画像を生成するのに苦労しており、下流のタスクでのアプリケーションが制限されています。
課題に対処するために、核トポロジーと輪郭の正則化を使用して合成画像の品質を向上させる新しいアプローチを提案します。
提案されたアプローチでは、核のスケルトン マップを使用して、核トポロジーを統合し、接触する核を分離します。
損失関数では、輪郭ピクセルと非輪郭ピクセルの間のコントラストを強化し、輪郭ピクセル間の類似性を高める 2 つの新しい輪郭正則化項を提案します。
画質メトリックと下流のタスク (核セグメンテーション) を使用して、2 つのデータセットで提案されたアプローチを評価します。
提案されたアプローチは、2 つのデータセットの 4 つの画質メトリックすべてで Sharp-GAN よりも優れています。
提案されたアプローチからの 6k 合成画像をトレーニングに統合することにより、核セグメンテーション モデルは、TNBC データセットとその検出品質 (DQ)、セグメンテーション品質 (SQ)、パノプティック品質 (PQ) で最先端のセグメンテーション パフォーマンスを実現します。
集計された Jaccard インデックス (AJI) は、それぞれ 0.855、0.863、0.691、および 0.683 です。

要約(オリジナル)

Histopathology image synthesis aims to address the data shortage issue in training deep learning approaches for accurate cancer detection. However, existing methods struggle to produce realistic images that have accurate nuclei boundaries and less artifacts, which limits the application in downstream tasks. To address the challenges, we propose a novel approach that enhances the quality of synthetic images by using nuclei topology and contour regularization. The proposed approach uses the skeleton map of nuclei to integrate nuclei topology and separate touching nuclei. In the loss function, we propose two new contour regularization terms that enhance the contrast between contour and non-contour pixels and increase the similarity between contour pixels. We evaluate the proposed approach on the two datasets using image quality metrics and a downstream task (nuclei segmentation). The proposed approach outperforms Sharp-GAN in all four image quality metrics on two datasets. By integrating 6k synthetic images from the proposed approach into training, a nuclei segmentation model achieves the state-of-the-art segmentation performance on TNBC dataset and its detection quality (DQ), segmentation quality (SQ), panoptic quality (PQ), and aggregated Jaccard index (AJI) is 0.855, 0.863, 0.691, and 0.683, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google