Enhancing Whole Slide Image Classification through Supervised Contrastive Domain Adaptation

要約

組織病理学的画像処理の分野におけるドメインシフトは、染色およびデジタル化プロトコルの院内および病院間のばらつきに起因する一般的な現象です。
一般化されたドメインを作成できる堅牢なモデルの実装は、解決する必要があることを表しています。
この研究では、複数のセンターからの組織病理学的画像間のばらつきに対処するための新しいドメイン適応方法が提示されます。
特に、私たちの方法は、領域適応を達成し、クラス間の分離性を向上させるために、教師あり対照学習アプローチにトレーニング制約を追加します。
2 つのセンターからの 6 つの皮膚がんサブタイプのスライド全体画像のドメイン適応と分類に関して実行された実験により、この方法の有用性が実証されました。
結果は、特徴抽出または染色正規化後にドメイン適応を使用しない場合と比較して、優れたパフォーマンスを反映しています。

要約(オリジナル)

Domain shift in the field of histopathological imaging is a common phenomenon due to the intra- and inter-hospital variability of staining and digitization protocols. The implementation of robust models, capable of creating generalized domains, represents a need to be solved. In this work, a new domain adaptation method to deal with the variability between histopathological images from multiple centers is presented. In particular, our method adds a training constraint to the supervised contrastive learning approach to achieve domain adaptation and improve inter-class separability. Experiments performed on domain adaptation and classification of whole-slide images of six skin cancer subtypes from two centers demonstrate the method’s usefulness. The results reflect superior performance compared to not using domain adaptation after feature extraction or staining normalization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google