Standardized CycleGAN training for unsupervised stain adaptation in invasive carcinoma classification for breast histopathology

要約

一般化は計算病理学の主な課題の 1 つです。
スライドの準備の不均一性とスキャナーの多様性により、トレーニング中に確認されなかった医療センターからのデータを使用すると、モデルのパフォーマンスが低下します。
乳房浸潤癌パッチ分類における染色の不変性を達成するために、教師なし画像間の変換にcycleGANを使用した染色変換戦略を実装します。
3 つのcycleGAN ベースのアプローチを、染色不変性戦略なしで取得されたベースライン分類モデルと比較します。
提案されたアプローチのうち 2 つは、染色固有の分類モデルを構築するために、推論またはトレーニング時に CycleGAN の変換を使用します。
最後の方法では、トレーニング中の染色データの拡張にそれらを使用します。
これにより、染色不変の特徴を学習するように分類モデルが制約されます。
ベースライン メトリクスは、参照染色でベースライン分類モデルをトレーニングおよびテストすることによって設定されます。
H&E および H&E&S 染色を使用して 3 つの医療センターを使用してパフォーマンスを評価しました。
この研究でテストされたすべてのアプローチは、ターゲットの汚れにラベルを付ける必要がなく、ベースライン指標を向上させます。
染色増強ベースのアプローチは、あらゆる染色に対して最良の結果をもたらしました。
この文書では、各方法の長所と短所を調査し、説明します。
ただし、高パフォーマンスのcycleGANsモデルをトレーニングすること自体が課題です。
この研究では、新しい停止基準を設定することにより、cycleGAN トレーニングを最適化する体系的な方法を紹介します。
この方法には、cycleGAN の結果を視覚的に検査する必要がないという利点があり、事前定義された数のトレーニング エポックを使用する方法よりも優れていることが証明されています。
さらに、cycleGAN トレーニングに必要な最小限のデータ量も検討します。

要約(オリジナル)

Generalization is one of the main challenges of computational pathology. Slide preparation heterogeneity and the diversity of scanners lead to poor model performance when used on data from medical centers not seen during training. In order to achieve stain invariance in breast invasive carcinoma patch classification, we implement a stain translation strategy using cycleGANs for unsupervised image-to-image translation. We compare three cycleGAN-based approaches to a baseline classification model obtained without any stain invariance strategy. Two of the proposed approaches use cycleGAN’s translations at inference or training in order to build stain-specific classification models. The last method uses them for stain data augmentation during training. This constrains the classification model to learn stain-invariant features. Baseline metrics are set by training and testing the baseline classification model on a reference stain. We assessed performances using three medical centers with H&E and H&E&S staining. Every approach tested in this study improves baseline metrics without needing labels on target stains. The stain augmentation-based approach produced the best results on every stain. Each method’s pros and cons are studied and discussed in this paper. However, training highly performing cycleGANs models in itself represents a challenge. In this work, we introduce a systematical method for optimizing cycleGAN training by setting a novel stopping criterion. This method has the benefit of not requiring any visual inspection of cycleGAN results and proves superiority to methods using a predefined number of training epochs. In addition, we also study the minimal amount of data required for cycleGAN training.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google