Image Translation Based Nuclei Segmentation for Immunohistochemistry Images

要約

H&E 画像の原子核セグメンテーションのために多数の深層学習ベースの方法が開発され、人間のパフォーマンスに近いパフォーマンスを達成しています。
ただし、そのような方法を免疫組織化学 (IHC) 画像などの別のモダリティの画像に直接適用すると、満足のいくパフォーマンスが得られない場合があります。
したがって、核の位置と形態を維持しながら IHC 画像を H&E 画像に変換し、事前にトレーニングされた核セグメンテーション モデルを仮想 H&E 画像に適用するための Generative Adversarial Network (GAN) ベースのアプローチを開発しました。
提案された方法は、H&E でトレーニングされた Cellpose や HoVer-Net などの最先端の核セグメンテーション方法と、2 つのパブリック IHC 画像データセットを使用した生成方法 DeepLIIF の直接適用を含む、いくつかのベースライン方法よりも優れていることを実証しました。

要約(オリジナル)

Numerous deep learning based methods have been developed for nuclei segmentation for H&E images and have achieved close to human performance. However, direct application of such methods to another modality of images, such as Immunohistochemistry (IHC) images, may not achieve satisfactory performance. Thus, we developed a Generative Adversarial Network (GAN) based approach to translate an IHC image to an H&E image while preserving nuclei location and morphology and then apply pre-trained nuclei segmentation models to the virtual H&E image. We demonstrated that the proposed methods work better than several baseline methods including direct application of state of the art nuclei segmentation methods such as Cellpose and HoVer-Net, trained on H&E and a generative method, DeepLIIF, using two public IHC image datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google