Patch-Wise Hypergraph Contrastive Learning with Dual Normal Distribution Weighting for Multi-Domain Stain Transfer

要約

仮想染色転送は、コンピューター支援技術を活用して、組織サンプルの組織化学染色パターンを他の染色タイプに変換します。
ただし、既存の方法は、サイクルの一貫性の仮定の制限により、詳細な病理情報を失うことがよくあります。
この課題に対処するために、ハイパーグラフベースのパッチごとの対照学習方法であるSTNHCLを提案します。
STNHCLは、ハイパーグラフモデリングを通じてパッチ間の高次関係をキャプチャし、入力画像と出力画像間の一貫した高次トポロジを確保します。
さらに、組織と背景のガウス分布に基づいて異なる重みを適用して、従来の重み付け方法を強化するために、判別器ヒートマップを活用する新しい負のサンプル重み付け戦略を導入します。
実験は、STNHCLがステイントランスファータスクの2つの主要なカテゴリで最先端のパフォーマンスを達成することを示しています。
さらに、私たちのモデルは、ダウンストリームタスクでも優れたパフォーマンスを発揮します。
コードが利用可能になります。

要約(オリジナル)

Virtual stain transfer leverages computer-assisted technology to transform the histochemical staining patterns of tissue samples into other staining types. However, existing methods often lose detailed pathological information due to the limitations of the cycle consistency assumption. To address this challenge, we propose STNHCL, a hypergraph-based patch-wise contrastive learning method. STNHCL captures higher-order relationships among patches through hypergraph modeling, ensuring consistent higher-order topology between input and output images. Additionally, we introduce a novel negative sample weighting strategy that leverages discriminator heatmaps to apply different weights based on the Gaussian distribution for tissue and background, thereby enhancing traditional weighting methods. Experiments demonstrate that STNHCL achieves state-of-the-art performance in the two main categories of stain transfer tasks. Furthermore, our model also performs excellently in downstream tasks. Code will be made available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google