Multi-Scanner Canine Cutaneous Squamous Cell Carcinoma Histopathology Dataset

要約

組織病理学では、スキャナによって誘発されるドメイン シフトは、目に見えないデータでテストされたときに、訓練されたニューラル ネットワークのパフォーマンスを妨げることが知られています。
マルチドメインの事前トレーニングまたは専用のドメイン一般化手法は、ドメインに依存しないアルゴリズムの開発に役立ちます。
このため、多種多様なスライド スキャン システムを備えたマルチ スキャナー データセットが非常に望ましいです。
5 つのスライド スキャナーでデジタル化された 44 のサンプルで構成される、犬の皮膚扁平上皮癌組織病理学画像の公開マルチ スキャナー データセットを提示します。
このデータセットは、画像間の局所的な対応を提供し、それによってスキャナーによるドメインシフトを他の固有のものから分離します。
形態誘導ドメインシフト。
スキャナーの違いを強調するために、個々のスキャナー サブセットの色分布、シャープネス、およびコントラストの詳細な評価を提示します。
さらに、固有のスキャナーによるドメインシフトを定量化するために、各スキャナーサブセットで腫瘍セグメンテーションネットワークをトレーニングし、ドメイン内およびドメイン間の両方のパフォーマンスを評価します。
最大 0.86 のユニオン係数でクラス平均ドメイン内交差を達成し、最大 0.38 のクロスドメイン パフォーマンスの低下を観察します。これは、提示されたデータセットの固有のドメイン シフトとディープ ニューラルのパフォーマンスへの悪影響を確認します。
ネットワーク。

要約(オリジナル)

In histopathology, scanner-induced domain shifts are known to impede the performance of trained neural networks when tested on unseen data. Multi-domain pre-training or dedicated domain-generalization techniques can help to develop domain-agnostic algorithms. For this, multi-scanner datasets with a high variety of slide scanning systems are highly desirable. We present a publicly available multi-scanner dataset of canine cutaneous squamous cell carcinoma histopathology images, composed of 44 samples digitized with five slide scanners. This dataset provides local correspondences between images and thereby isolates the scanner-induced domain shift from other inherent, e.g. morphology-induced domain shifts. To highlight scanner differences, we present a detailed evaluation of color distributions, sharpness, and contrast of the individual scanner subsets. Additionally, to quantify the inherent scanner-induced domain shift, we train a tumor segmentation network on each scanner subset and evaluate the performance both in- and cross-domain. We achieve a class-averaged in-domain intersection over union coefficient of up to 0.86 and observe a cross-domain performance decrease of up to 0.38, which confirms the inherent domain shift of the presented dataset and its negative impact on the performance of deep neural networks.

arxiv情報

著者 Frauke Wilm,Marco Fragoso,Christof A. Bertram,Nikolas Stathonikos,Mathias Öttl,Jingna Qiu,Robert Klopfleisch,Andreas Maier,Katharina Breininger,Marc Aubreville
発行日 2023-02-27 16:25:17+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.CV, eess.IV パーマリンク