ParamNet: A Parameter-variable Network for Fast Stain Normalization

要約

タイトル：高速染色正規化のためのパラメータ可変ネットワークParamNet

要約：
– デジタル病理画像は、色や明るさなどに影響を受けることが多く、色や明るさの違いが非常に大きい。そのため、染色正規化により、デジタル病理画像の色や明るさの違いを効果的に縮小し、コンピュータ支援診断システムの性能を向上させることができる。
– 従来の染色正規化方法は、1つまたはいくつかの参照画像に依存していたが、それらはデータセット全体を表すのが困難であった。学習ベースの染色正規化方法は一般的なアプローチであるが、これらは、複雑な深層ネットワークを使用しているため、計算効率が大幅に低下し、また不具合を導入する危険がある。
– この研究では、染色正規化のためのパラメータ可変ネットワーク、ParamNetを提案している。ParamNetには、パラメータ予測サブネットワークとカラーマッピングサブネットワークが含まれており、パラメータ予測サブネットワークは、各入力画像に応じてカラーマッピングサブネットワークに適切なパラメータを自動的に決定することができる。パラメータ変数の特徴により、ネットワークはさまざまな染色正規化タスクに十分な能力を持っている。カラーマッピングサブネットワークは、合計59個の可変パラメータを持つ完全1×1畳み込みネットワークであり、非常に計算効率が良く、不具合を導入する危険性がない。サイトパトロジーおよび組織病理学データセットの結果は、ParamNetが最新の手法を上回り、病理診断タスクで分類器の汎化性能を効果的に改善できることを示している。コードはhttps://github.com/khtao/ParamNetで入手可能。

要約(オリジナル)

In practice, digital pathology images are often affected by various factors, resulting in very large differences in color and brightness. Stain normalization can effectively reduce the differences in color and brightness of digital pathology images, thus improving the performance of computer-aided diagnostic systems. Conventional stain normalization methods rely on one or several reference images, but one or several images are difficult to represent the entire dataset. Although learning-based stain normalization methods are a general approach, they use complex deep networks, which not only greatly reduce computational efficiency, but also risk introducing artifacts. StainNet is a fast and robust stain normalization network, but it has not a sufficient capability for complex stain normalization due to its too simple network structure. In this study, we proposed a parameter-variable stain normalization network, ParamNet. ParamNet contains a parameter prediction sub-network and a color mapping sub-network, where the parameter prediction sub-network can automatically determine the appropriate parameters for the color mapping sub-network according to each input image. The feature of parameter variable ensures that our network has a sufficient capability for various stain normalization tasks. The color mapping sub-network is a fully 1×1 convolutional network with a total of 59 variable parameters, which allows our network to be extremely computationally efficient and does not introduce artifacts. The results on cytopathology and histopathology datasets show that our ParamNet outperforms state-of-the-art methods and can effectively improve the generalization of classifiers on pathology diagnosis tasks. The code has been available at https://github.com/khtao/ParamNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI