Nuclei Instance Segmentation of Cryosectioned H&E Stained Histological Images using Triple U-Net Architecture

要約

核インスタンスのセグメンテーションは、腫瘍学的診断およびがん病理学研究において重要です。
H&E 染色画像は​​医療診断によく使用されますが、画像処理タスクに使用する前に前処理が必要です。
2 つの主要な前処理方法は、ホルマリン固定パラフィン包埋サンプル (FFPE) と凍結組織サンプル (FS) です。
FFPE は広く使用されていますが、時間がかかりますが、FS サンプルは迅速に処理できます。
迅速なサンプル準備、染色、スキャンから得られる H&E 染色画像の分析は、迅速なプロセスにより困難が生じる可能性があり、画像品質の低下を招く可能性があります。
この論文では、H&E 染色画像の独特な光学特性を活用する方法を提案します。
3 つのブランチの U-Net アーキテクチャが実装されており、各ブランチが最終的なセグメンテーション結果に寄与します。
このプロセスには、分水嶺アルゴリズムを適用して重複する領域を分離し、精度を高めることが含まれます。
Triple U-Net アーキテクチャは、RGB ブランチ、ヘマトキシリン ブランチ、およびセグメンテーション ブランチで構成されます。
この研究は、CryoNuSeg という名前の新しいデータセットに焦点を当てています。
堅牢な実験を通じて得られた結果は、さまざまな指標にわたって最先端の結果を上回っています。
このデータセットのベンチマーク スコアは AJI 52.5 および PQ 47.7 で、U-Net アーキテクチャの実装によって達成されました。
ただし、提案されている Triple U-Net アーキテクチャは、AJI スコア 67.41、PQ 50.56 を達成しています。
提案されたアーキテクチャは、他の評価指標よりも AJI をさらに改善しており、AJI がより厳格な評価指標であるため、ベースライン U-Net モデルに対する Triple U-Net アーキテクチャの優位性がさらに正当化されます。
3 ブランチ U-Net モデルの使用とその後のウォーターシェッド後処理により、ベンチマーク スコアを大幅に上回り、AJI スコアの大幅な改善が示されました。

要約(オリジナル)

Nuclei instance segmentation is crucial in oncological diagnosis and cancer pathology research. H&E stained images are commonly used for medical diagnosis, but pre-processing is necessary before using them for image processing tasks. Two principal pre-processing methods are formalin-fixed paraffin-embedded samples (FFPE) and frozen tissue samples (FS). While FFPE is widely used, it is time-consuming, while FS samples can be processed quickly. Analyzing H&E stained images derived from fast sample preparation, staining, and scanning can pose difficulties due to the swift process, which can result in the degradation of image quality. This paper proposes a method that leverages the unique optical characteristics of H&E stained images. A three-branch U-Net architecture has been implemented, where each branch contributes to the final segmentation results. The process includes applying watershed algorithm to separate overlapping regions and enhance accuracy. The Triple U-Net architecture comprises an RGB branch, a Hematoxylin branch, and a Segmentation branch. This study focuses on a novel dataset named CryoNuSeg. The results obtained through robust experiments outperform the state-of-the-art results across various metrics. The benchmark score for this dataset is AJI 52.5 and PQ 47.7, achieved through the implementation of U-Net Architecture. However, the proposed Triple U-Net architecture achieves an AJI score of 67.41 and PQ of 50.56. The proposed architecture improves more on AJI than other evaluation metrics, which further justifies the superiority of the Triple U-Net architecture over the baseline U-Net model, as AJI is a more strict evaluation metric. The use of the three-branch U-Net model, followed by watershed post-processing, significantly surpasses the benchmark scores, showing substantial improvement in the AJI score

arxiv情報

提供元, 利用サービス

arxiv.jp, Google