Multi-target stain normalization for histology slides

要約

従来の染色正規化アプローチ。
Macenko は通常、単一の代表的な参照画像の選択に依存していますが、実際のシナリオで収集されたデータセットの多様な染色パターンを適切に説明できない可能性があります。
この研究では、複数の参照画像を活用して染色の変動に対する堅牢性を高める新しいアプローチを紹介します。
私たちの手法はパラメータを必要とせず、大幅な変更を加えることなく既存の計算病理学パイプラインに採用できます。
結腸直腸画像上の自動核セグメンテーションのための深層学習パイプラインを使用した実験を通じて、私たちの方法の有効性を評価します。
私たちの結果は、染色がトレーニングセットと大きく異なる可能性がある外部データに一般化するときに、複数の参照画像を活用することでより良い結果を達成できることを示しています。

要約(オリジナル)

Traditional staining normalization approaches, e.g. Macenko, typically rely on the choice of a single representative reference image, which may not adequately account for the diverse staining patterns of datasets collected in practical scenarios. In this study, we introduce a novel approach that leverages multiple reference images to enhance robustness against stain variation. Our method is parameter-free and can be adopted in existing computational pathology pipelines with no significant changes. We evaluate the effectiveness of our method through experiments using a deep-learning pipeline for automatic nuclei segmentation on colorectal images. Our results show that by leveraging multiple reference images, better results can be achieved when generalizing to external data, where the staining can widely differ from the training set.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google