Stain-invariant self supervised learning for histopathology image analysis

要約

乳がんのヘマトキシリンおよびエオシン (H&E) 染色画像内のいくつかの分類タスクの自己教師ありアルゴリズムを提示します。
私たちの方法は、自動分析ツールの適用性を制限している組織画像取得プロセスに固有の変動を染色するのに堅牢です。
トレーニング中に汚れの正規化手法を活用する学習された潜在空間に制約を課すことにより、この問題に対処します。
反復ごとに、正規化ターゲットとして画像を選択し、そのターゲットに正規化されたバッチ内のすべての画像のバージョンを生成します。
他のサンプル間の距離を最大化しながら、異なる染色バリエーションの下で同じ画像に対応する埋め込み間の距離を最小化します。
私たちの方法は、多施設データ全体の変動を染色するための堅牢性を向上させるだけでなく、さまざまな正規化ターゲットと方法に関する広範な実験を通じて分類性能も向上させることを示しています。
私たちの方法は、腫瘍分類（CAMELYON17）およびサブタイピング（BRACS）からHER2状態分類および治療反応予測に至るまで、いくつかの公的に入手可能な乳がんデータセットで最先端のパフォーマンスを達成します。

要約(オリジナル)

We present a self-supervised algorithm for several classification tasks within hematoxylin and eosin (H&E) stained images of breast cancer. Our method is robust to stain variations inherent to the histology images acquisition process, which has limited the applicability of automated analysis tools. We address this problem by imposing constraints a learnt latent space which leverages stain normalization techniques during training. At every iteration, we select an image as a normalization target and generate a version of every image in the batch normalized to that target. We minimize the distance between the embeddings that correspond to the same image under different staining variations while maximizing the distance between other samples. We show that our method not only improves robustness to stain variations across multi-center data, but also classification performance through extensive experiments on various normalization targets and methods. Our method achieves the state-of-the-art performance on several publicly available breast cancer datasets ranging from tumor classification (CAMELYON17) and subtyping (BRACS) to HER2 status classification and treatment response prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google