A Hyperspectral Imaging Dataset and Methodology for Intraoperative Pixel-Wise Classification of Metastatic Colon Cancer in the Liver

要約

ハイパースペクトル イメージング (HSI) は、計算病理学の分野を変革する大きな可能性を秘めています。
ただし、現在、深層学習 (DL) モデルのトレーニングに必要なピクセル単位の注釈付き HSI データが不足しています。
さらに、HSI に基づく研究研究の数は依然として限られており、多くの場合、特に術中に収集された標本について、従来の RGB イメージングに対する HSI の利点が最終的​​に実証されていません。
これらの課題に対処するために、肝臓に転移した結腸腺癌患者 14 人から収集したヘマトキシリン エオシン染色凍結切片の 27 個の HSI からなるデータベースを提示します。
術中腫瘍切除のピクセル単位の分類を検証することを目的としています。
HSI は 450 ～ 800 nm のスペクトル範囲で 1 nm の解像度で取得され、1384×1035 ピクセルの画像が得られました。
ピクセル単位の注釈は 3 人の病理学者によって実行されました。
実験の変動性や注釈付きデータの欠如などの課題を克服するために、ラベル伝播ベースの半教師あり学習 (SSL) と、関連情報のマルチスケール原理 (MPRI) 法およびテンソル特異スペクトルによって抽出されたスペクトル空間特徴を組み合わせました。
分析方法。
SSL-MPRI メソッドは、クラスあたりラベル付きピクセルの 1% のみを使用して、HSI データセットで 0.9313 のマイクロバランス精度 (BACC) と 0.9235 のマイクロ F1 スコアを達成しました。
対応する RGB 画像のパフォーマンスは低く、マイクロ BACC は 0.8809、マイクロ F1 スコアは 0.8688 でした。
これらの改善は統計的に有意です。
SSL-MPRI アプローチは、63% のラベル付きピクセルでトレーニングされた 6 つの DL アーキテクチャを上回りました。
データとコードは https://github.com/ikopriva/ColonCancerHSI で入手できます。

要約(オリジナル)

Hyperspectral imaging (HSI) holds significant potential for transforming the field of computational pathology. However, there is currently a shortage of pixel-wise annotated HSI data necessary for training deep learning (DL) models. Additionally, the number of HSI-based research studies remains limited, and in many cases, the advantages of HSI over traditional RGB imaging have not been conclusively demonstrated, particularly for specimens collected intraoperatively. To address these challenges we present a database consisted of 27 HSIs of hematoxylin-eosin stained frozen sections, collected from 14 patients with colon adenocarcinoma metastasized to the liver. It is aimed to validate pixel-wise classification for intraoperative tumor resection. The HSIs were acquired in the spectral range of 450 to 800 nm, with a resolution of 1 nm, resulting in images of 1384×1035 pixels. Pixel-wise annotations were performed by three pathologists. To overcome challenges such as experimental variability and the lack of annotated data, we combined label-propagation-based semi-supervised learning (SSL) with spectral-spatial features extracted by: the multiscale principle of relevant information (MPRI) method and tensor singular spectrum analysis method. Using only 1% of labeled pixels per class the SSL-MPRI method achieved a micro balanced accuracy (BACC) of 0.9313 and a micro F1-score of 0.9235 on the HSI dataset. The performance on corresponding RGB images was lower, with a micro BACC of 0.8809 and a micro F1-score of 0.8688. These improvements are statistically significant. The SSL-MPRI approach outperformed six DL architectures trained with 63% of labeled pixels. Data and code are available at: https://github.com/ikopriva/ColonCancerHSI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google