Stain-invariant self supervised learning for histopathology image analysis

要約

我々は、乳がんのヘマトキシリン・エオシン（H&E）染色画像内のいくつかの分類タスクのための自己教師ありアルゴリズムを提示します。
私たちの方法は、自動分析ツールの適用可能性を制限していた組織学画像取得プロセスに固有の染色変動に対して堅牢です。
私たちは、トレーニング中に染色正規化技術を活用する学習された潜在空間に制約を課すことで、この問題に対処します。
反復ごとに、正規化ターゲットとして画像を選択し、そのターゲットに対して正規化されたバッチ内のすべての画像のバージョンを生成します。
他のサンプル間の距離を最大化しながら、異なる染色バリエーションの下で同じ画像に対応する埋め込み間の距離を最小化します。
我々の方法は、多施設データにわたる染色変動に対するロバスト性を向上させるだけでなく、さまざまな正規化ターゲットと方法に関する広範な実験を通じて分類パフォーマンスも向上させることを示します。
私たちの方法は、腫瘍分類 (CAMELYON17) およびサブタイピング (BRACS) から HER2 状態分類および治療反応予測に至るまで、いくつかの公的に利用可能な乳がんデータセットに対して最先端のパフォーマンスを達成します。

要約(オリジナル)

We present a self-supervised algorithm for several classification tasks within hematoxylin and eosin (H&E) stained images of breast cancer. Our method is robust to stain variations inherent to the histology images acquisition process, which has limited the applicability of automated analysis tools. We address this problem by imposing constraints a learnt latent space which leverages stain normalization techniques during training. At every iteration, we select an image as a normalization target and generate a version of every image in the batch normalized to that target. We minimize the distance between the embeddings that correspond to the same image under different staining variations while maximizing the distance between other samples. We show that our method not only improves robustness to stain variations across multi-center data, but also classification performance through extensive experiments on various normalization targets and methods. Our method achieves the state-of-the-art performance on several publicly available breast cancer datasets ranging from tumor classification (CAMELYON17) and subtyping (BRACS) to HER2 status classification and treatment response prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google