IMPaSh: A Novel Domain-shift Resistant Representation for Colorectal Cancer Tissue Classification

要約

病理組織像の外観は、組織の種類、染色およびデジタル化手順によって異なります。
これらはソースごとに異なり、ドメイン シフトの問題の潜在的な原因となります。
この問題により、計算病理学における深層学習モデルの大きな成功にもかかわらず、特定のドメインでトレーニングされたモデルを別のドメインに適用すると、最適に機能しない可能性があります。
これを克服するために、PatchShuffling と呼ばれる新しい拡張機能と、深層学習モデルを事前トレーニングするための IMPaSh という新しい自己教師あり対照学習フレームワークを提案します。
これらを使用して、ドメインシフトに強い画像表現を抽出できるResNet50エンコーダーを取得しました。
結腸直腸組織画像のクロスドメイン分類に使用することにより、派生した表現を他のドメイン一般化手法に基づいて取得した表現と比較しました。
提案された方法が、他の従来の組織学ドメイン適応および最先端の自己教師付き学習方法よりも優れていることを示します。
コードは https://github.com/trinhvg/IMPash で入手できます。

要約(オリジナル)

The appearance of histopathology images depends on tissue type, staining and digitization procedure. These vary from source to source and are the potential causes for domain-shift problems. Owing to this problem, despite the great success of deep learning models in computational pathology, a model trained on a specific domain may still perform sub-optimally when we apply them to another domain. To overcome this, we propose a new augmentation called PatchShuffling and a novel self-supervised contrastive learning framework named IMPaSh for pre-training deep learning models. Using these, we obtained a ResNet50 encoder that can extract image representation resistant to domain-shift. We compared our derived representation against those acquired based on other domain-generalization techniques by using them for the cross-domain classification of colorectal tissue images. We show that the proposed method outperforms other traditional histology domain-adaptation and state-of-the-art self-supervised learning methods. Code is available at: https://github.com/trinhvg/IMPash .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google