Improving Generalization Capability of Deep Learning-Based Nuclei Instance Segmentation by Non-deterministic Train Time and Deterministic Test Time Stain Normalization

要約

スライド全体の組織学的画像を自動的にスキャンして保存できるデジタル病理学および顕微鏡システムの出現により、取得した画像を分析するためにコンピュータ化された方法を使用する傾向が高まっています。
さまざまな組織病理学的画像解析タスクの中でも、核インスタンスのセグメンテーションは、幅広い臨床および研究用途において基本的な役割を果たします。
核インスタンスのセグメンテーションには多くの半自動および全自動のコンピュータ化手法が提案されていますが、ディープラーニング (DL) ベースのアプローチが最高のパフォーマンスを提供することが示されています。
ただし、このようなアプローチのパフォーマンスは、目に見えないデータセットでテストすると通常低下します。
この研究では、DL ベースの自動セグメンテーション アプローチの一般化機能を向上させる新しい方法を提案します。
最先端の DL ベースのモデルの 1 つをベースラインとして利用することに加えて、私たちの方法には、非決定的なトレーニング時間と決定的なテスト時間の染色正規化、およびセグメンテーションのパフォーマンスを向上させるアンサンブルが組み込まれています。
1 つの単一トレーニング セットでモデルをトレーニングし、7 つのテスト データセットでそのセグメンテーション パフォーマンスを評価しました。
我々の結果は、ベースラインセグメンテーションモデルと比較して、提案された方法が、Dice スコア、集計された Jaccard インデックス、およびパノプティック品質スコアに基づいて、核のセグメンテーションにおける平均パフォーマンスをそれぞれ最大 4.9%、5.4%、および 5.9% 向上させることを示しています。

要約(オリジナル)

With the advent of digital pathology and microscopic systems that can scan and save whole slide histological images automatically, there is a growing trend to use computerized methods to analyze acquired images. Among different histopathological image analysis tasks, nuclei instance segmentation plays a fundamental role in a wide range of clinical and research applications. While many semi- and fully-automatic computerized methods have been proposed for nuclei instance segmentation, deep learning (DL)-based approaches have been shown to deliver the best performances. However, the performance of such approaches usually degrades when tested on unseen datasets. In this work, we propose a novel method to improve the generalization capability of a DL-based automatic segmentation approach. Besides utilizing one of the state-of-the-art DL-based models as a baseline, our method incorporates non-deterministic train time and deterministic test time stain normalization, and ensembling to boost the segmentation performance. We trained the model with one single training set and evaluated its segmentation performance on seven test datasets. Our results show that the proposed method provides up to 4.9%, 5.4%, and 5.9% better average performance in segmenting nuclei based on Dice score, aggregated Jaccard index, and panoptic quality score, respectively, compared to the baseline segmentation model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google