Multi-task learning for tissue segmentation and tumor detection in colorectal cancer histology slides

要約

タイトル：大腸がん組織のセグメンテーションと腫瘍検出のためのマルチタスク学習

要約：
– 大腸がん（CRC）の組織のセグメンテーションと腫瘍検出を自動化することは、より迅速な診断病理学のワークフローを実現することができます。
– しかし、公開されたアノテーションされたデータが少ないことと、画像の出現のばらつきが大きいため、このタスクは困難だとされています。
– SemiCOL challenge 2023では、部分的にアノテーションされたデータを提供して、セグメンテーションと腫瘍の自動化ソリューションの開発を促進しています。
– 提案されたマルチタスクモデルは、チャネルごとの色彩拡張と画像統計に基づく色彩拡張、さらにはテスト時の色彩拡張を組み合わせたU-Netを用いています。
– マルチタスクのDiceスコアは、tissueセグメンテーションのArm 1で0.8655、Arm 2で0.8515、腫瘍検出のAUROCはArm 1で0.9725、Arm 2で0.9750です。
– ソースコードは、https://github.com/lely475/CTPLab_SemiCOL2023で公開されています。

要約(オリジナル)

Automating tissue segmentation and tumor detection in histopathology images of colorectal cancer (CRC) is an enabler for faster diagnostic pathology workflows. At the same time it is a challenging task due to low availability of public annotated datasets and high variability of image appearance. The semi-supervised learning for CRC detection (SemiCOL) challenge 2023 provides partially annotated data to encourage the development of automated solutions for tissue segmentation and tumor detection. We propose a U-Net based multi-task model combined with channel-wise and image-statistics-based color augmentations, as well as test-time augmentation, as a candidate solution to the SemiCOL challenge. Our approach achieved a multi-task Dice score of .8655 (Arm 1) and .8515 (Arm 2) for tissue segmentation and AUROC of .9725 (Arm 1) and 0.9750 (Arm 2) for tumor detection on the challenge validation set. The source code for our approach is made publicly available at https://github.com/lely475/CTPLab_SemiCOL2023.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI