UWarp: A Whole Slide Image Registration Pipeline to Characterize Scanner-Induced Local Domain Shift

要約

Histopathology Slide Digitizationは、深い学習方法に基づいて計算病理モデルに大きな影響を与える可能性のあるスキャナー誘発ドメインシフトを導入します。
最先端では、このシフトは、多くの場合、広大なスケール（スライドレベルまたはデータセットレベル）で特徴付けられますが、パッチレベルではなく、深い学習モデルの精度に対する局所的な組織特性の影響の理解を制限します。
この課題に対処するために、さまざまな条件でスキャンされた組織学的スライドを正確に整列するように設計された新しい登録ツールであるUWARPに基づいたドメインシフト分析フレームワークを提示します。
UWARPは階層的な登録アプローチを採用し、グローバルなアフィン変換ときめ細かい局所補正を組み合わせて、堅牢な組織パッチアライメントを実現します。
複数のデバイスでスキャンされたスライド画像全体を含む2つのプライベートデータセット、CypathlungとBosomshieldBreastを使用してUWARPを評価します。
私たちの実験は、UWARPが既存のオープンソース登録方法を上回り、4ピクセル未満（40倍の倍率で<1マイクロメートル）の中央値ターゲット登録エラー（TRE）を達成しながら、計算時間を大幅に短縮することを示しています。 さらに、UWARPを適用して、乳がん病理学的反応予測の深い学習モデルである乳房ネオプレディクトの予測におけるスキャナー誘発性の局所ドメインシフトを特徴付けます。 予測の変動は、特定のパッチの組織密度と強く相関していることがわかります。 私たちの調査結果は、ローカライズされたドメインシフト分析の重要性を強調し、UWARPが計算病理におけるモデルの堅牢性とドメイン適応戦略を改善するための貴重なツールとして役立つことを示唆しています。

要約(オリジナル)

Histopathology slide digitization introduces scanner-induced domain shift that can significantly impact computational pathology models based on deep learning methods. In the state-of-the-art, this shift is often characterized at a broad scale (slide-level or dataset-level) but not patch-level, which limits our comprehension of the impact of localized tissue characteristics on the accuracy of the deep learning models. To address this challenge, we present a domain shift analysis framework based on UWarp, a novel registration tool designed to accurately align histological slides scanned under varying conditions. UWarp employs a hierarchical registration approach, combining global affine transformations with fine-grained local corrections to achieve robust tissue patch alignment. We evaluate UWarp using two private datasets, CypathLung and BosomShieldBreast, containing whole slide images scanned by multiple devices. Our experiments demonstrate that UWarp outperforms existing open-source registration methods, achieving a median target registration error (TRE) of less than 4 pixels (<1 micrometer at 40x magnification) while significantly reducing computational time. Additionally, we apply UWarp to characterize scanner-induced local domain shift in the predictions of Breast-NEOprAIdict, a deep learning model for breast cancer pathological response prediction. We find that prediction variability is strongly correlated with tissue density on a given patch. Our findings highlight the importance of localized domain shift analysis and suggest that UWarp can serve as a valuable tool for improving model robustness and domain adaptation strategies in computational pathology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google