Histopathology DatasetGAN: Synthesizing Large-Resolution Histopathology Datasets

要約

自己教師あり学習（SSL）手法により、ラベルの入手が困難な領域の画像データセットで学習できる深層学習モデルの数が増えている。しかし、これらの手法は、ラベルが乏しい医用画像データセットで良好な汎化を達成するために重要な、高解像度の医用画像データセットへの拡張に苦労している。本研究では、画像生成とセグメンテーションのための半教師付きフレームワークDatasetGANを拡張し、高解像度の病理組織画像にうまく対応するHistopathology DatasetGAN（HDGAN）フレームワークを提案する。このフレームワークでは、生成バックボーンの更新、生成器からの潜在特徴の選択的抽出、メモリマップド配列への切り替えなど、オリジナルのフレームワークからいくつかの適応を図っている。これらの変更により、フレームワークのメモリ消費量を削減し、医用画像分野への適用性を向上させた。血栓性微小血管症の高解像度タイルデータセットでHDGANを評価し、高解像度画像アノテーション生成タスクで高い性能を実証した。我々は、この研究が医療データセットへの深層学習モデルのより多くの適用を可能にし、さらに医療画像領域内での自己教師付きフレームワークのより多くの探求を促進することを期待している。

要約(オリジナル)

Self-supervised learning (SSL) methods are enabling an increasing number of deep learning models to be trained on image datasets in domains where labels are difficult to obtain. These methods, however, struggle to scale to the high resolution of medical imaging datasets, where they are critical for achieving good generalization on label-scarce medical image datasets. In this work, we propose the Histopathology DatasetGAN (HDGAN) framework, an extension of the DatasetGAN semi-supervised framework for image generation and segmentation that scales well to large-resolution histopathology images. We make several adaptations from the original framework, including updating the generative backbone, selectively extracting latent features from the generator, and switching to memory-mapped arrays. These changes reduce the memory consumption of the framework, improving its applicability to medical imaging domains. We evaluate HDGAN on a thrombotic microangiopathy high-resolution tile dataset, demonstrating strong performance on the high-resolution image-annotation generation task. We hope that this work enables more application of deep learning models to medical datasets, in addition to encouraging more exploration of self-supervised frameworks within the medical imaging domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL