Artifact-Robust Graph-Based Learning in Digital Pathology

要約

スライド全体画像 (WSI) は、高度なスキャナを使用してスライドガラスに配置された組織のデジタル画像です。
WSI はギガピクセル画像であり、多重解像度形式で保存されているため、WSI のデジタル処理は困難です。
WSI に共通する課題は、スライド ガラスの保存およびデジタル化中に摂動やアーチファクトが避けられないことです。
これらの摂動には、配置中のスライドの動きから生じることが多い動きや、染色化学薬品やデジタル化スキャナーの品質の変動による色相や明るさの変化が含まれます。
この研究では、これらのアーティファクトを説明するための新しい堅牢な学習アプローチが提示されます。
WSI のサイズと解像度により、また近傍情報を考慮するために、グラフベースの方法が必要となります。
グラフ畳み込みネットワーク(GCN)を使用して、WSIを表すグラフから特徴を抽出します。
デノイザーとプーリング層によって、WSI の摂動の影響が制御され、出力の後に、さまざまなグレードの前立腺がんを分類するための変換器が続きます。
提案されたアプローチの有効性を比較するために、デノイザーなしのモデルが摂動なしで WSI でトレーニングおよびテストされ、その後、さまざまな摂動が WSI に導入され、デノイザーを使用してネットワークを通過します。
前立腺がんデータセットを使用した提案されたモデルの精度とカッパスコアは、非ロバストアルゴリズムと比較して、がん診断の大幅な改善を示しています。

要約(オリジナル)

Whole slide images~(WSIs) are digitized images of tissues placed in glass slides using advanced scanners. The digital processing of WSIs is challenging as they are gigapixel images and stored in multi-resolution format. A common challenge with WSIs is that perturbations/artifacts are inevitable during storing the glass slides and digitizing them. These perturbations include motion, which often arises from slide movement during placement, and changes in hue and brightness due to variations in staining chemicals and the quality of digitizing scanners. In this work, a novel robust learning approach to account for these artifacts is presented. Due to the size and resolution of WSIs and to account for neighborhood information, graph-based methods are called for. We use graph convolutional network~(GCN) to extract features from the graph representing WSI. Through a denoiser {and pooling layer}, the effects of perturbations in WSIs are controlled and the output is followed by a transformer for the classification of different grades of prostate cancer. To compare the efficacy of the proposed approach, the model without denoiser is trained and tested with WSIs without any perturbation and then different perturbations are introduced in WSIs and passed through the network with the denoiser. The accuracy and kappa scores of the proposed model with prostate cancer dataset compared with non-robust algorithms show significant improvement in cancer diagnosis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google