AGMDT: Virtual Staining of Renal Histology Images with Adjacency-Guided Multi-Domain Transfer

要約

腎臓病理学では、腎臓病診断のゴールドスタンダードとして、医師がそれぞれ H&E 染色と、Masson、PASM、PAS などの特殊染色で染色された一連の組織切片を分析する必要があります。
これらの特殊な染色方法は費用と時間がかかり、特に初等病院で広く使用できるように標準化するのが困難です。
教師あり学習法の進歩により、H&E 画像を特殊な染色画像に仮想的に変換できますが、トレーニングのためにピクセル間の位置合わせを達成するのは困難です。
対照的に、異なるスタイルの転送ドメインとしての異なる染色に関する教師なし学習方法では、不対データを使用できますが、空間的なドメイン間の相関関係が無視されるため、診断のための構造詳細の信頼性が低下します。
この論文では、ピクセルレベルの位置合わせを回避し、隣接する組織スライス間の相関を利用することで画像を他の領域に変換する新しい仮想染色フレームワーク AGMDT を提案します。
まず、各標本ケースがさまざまな方法で染色された一連のスライスで構成される、高品質のマルチドメイン腎臓組織学的データセットを構築します。
これに基づいて、提案されたフレームワーク AGMDT は、糸球体検出と二部グラフ マッチングを通じてマルチドメインの連続スライス全体でパッチレベルで整列したペアを発見し、そのような相関関係を利用してマルチドメイン染色変換のエンドツーエンド モデルを監視します。
実験結果は、提案された AGMDT が、マルチドメインの連続病理学的スライス間の相関を利用することにより、正確なピクセルレベルの位置合わせと不対ドメイン転送の間の良好なバランスを達成し、定量的測定と形態学的測定の両方で最先端の方法を上回ることを示しています。
詳細。

要約(オリジナル)

Renal pathology, as the gold standard of kidney disease diagnosis, requires doctors to analyze a serial of tissue slices stained by H\&E staining and special staining like Masson, PASM, and PAS, respectively. These special staining methods are costly, time-consuming, and hard to standardize for wide use especially in primary hospitals. Advances of supervised learning methods can virtually convert H\&E images into special staining images, but the pixel-to-pixel alignment is hard to achieve for training. As contrast, unsupervised learning methods regarding different stains as different style transferring domains can use unpaired data, but they ignore the spatial inter-domain correlations and thus decrease the trustworthiness of structural details for diagnosis. In this paper, we propose a novel virtual staining framework AGMDT to translate images into other domains by avoiding pixel-level alignment and meanwhile utilizing the correlations among adjacent tissue slices. We first build a high-quality multi-domain renal histological dataset where each specimen case comprises a series of slices stained in various ways. Based on it, the proposed framework AGMDT discovers patch-level aligned pairs across the serial slices of multi-domains through glomerulus detection and bipartite graph matching, and utilizes such correlations to supervise the end-to-end model for multi-domain staining transformation. Experimental results show that the proposed AGMDT achieves a good balance between the precise pixel-level alignment and unpaired domain transfer by exploiting correlations across multi-domain serial pathological slices, and outperforms the state-of-the-art methods in both quantitative measure and morphological details.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google