Federated Stain Normalization for Computational Pathology

要約

深層連合学習は近年大きな注目を集めていますが、進歩は主に自然画像のコンテキストで行われ、計算病理学ではほとんど行われていません。
ただし、深い連合学習は、多くの研究所のデータの多様性を反映するデータセットを作成する機会です。
さらに、データセット構築の労力は、多くの人に分割することができます。
残念なことに、既存のアルゴリズムを計算病理学に簡単に適用することはできません。これまでの研究では、研究所のデータ分布が類似していなければならないことが前提となっているためです。
これは、主に研究所によって染色スタイルが異なるため、ありそうもない仮定です。
解決策として、BottleGAN を提案します。これは、多くの研究所の染色スタイルをコンピューターで調整し、プライバシーを保護する方法でトレーニングして、計算病理学における連合学習を促進できる生成モデルです。
PESO セグメンテーション データセットに基づいて異種多機関データセットを構築し、既存の連合学習アルゴリズムと比較して IOU を 42\% 改善します。
BottleGAN の実装は、https://github.com/MECLabTUDA/BottleGAN で入手できます。

要約(オリジナル)

Although deep federated learning has received much attention in recent years, progress has been made mainly in the context of natural images and barely for computational pathology. However, deep federated learning is an opportunity to create datasets that reflect the data diversity of many laboratories. Further, the effort of dataset construction can be divided among many. Unfortunately, existing algorithms cannot be easily applied to computational pathology since previous work presupposes that data distributions of laboratories must be similar. This is an unlikely assumption, mainly since different laboratories have different staining styles. As a solution, we propose BottleGAN, a generative model that can computationally align the staining styles of many laboratories and can be trained in a privacy-preserving manner to foster federated learning in computational pathology. We construct a heterogenic multi-institutional dataset based on the PESO segmentation dataset and improve the IOU by 42\% compared to existing federated learning algorithms. An implementation of BottleGAN is available at https://github.com/MECLabTUDA/BottleGAN

arxiv情報

提供元, 利用サービス

arxiv.jp, Google