Leveraging weak complementary labels to improve semantic segmentation of hepatocellular carcinoma and cholangiocarcinoma in H&E-stained slides

要約

本論文では、ヘマトキシリン・エオジン（H&E）染色した全スライド画像から、最も一般的な2つの原発性肝癌（肝細胞癌と肝内胆管癌）を分類・定量化する深層学習セグメンテーションアプローチを紹介します。医療画像のセマンティックセグメンテーションには、通常、専門家によるピクセルレベルのアノテーションが必要であるが、臨床診断で日常的に得られているがモデル学習にほとんど利用されていない追加情報が存在する場合が多い。我々は、患者の診断から得られるこのような弱い情報を活用し、サンプルがどのクラスに属さないかを示す補完的なラベルを導出することを提案する。これらのラベルを統合するために、我々はセグメンテーションのための相補的損失を定式化する。医療への応用を動機として、我々は一般的なセグメンテーションタスクに対して、モデル学習時に弱い補完ラベルのみを持つ追加パッチを含めることで、モデルの予測性能と頑健性が大幅に改善されることを示す。肝細胞癌と肝内胆管癌の診断的区別のタスクにおいて、165人の保留患者のケースレベルで0.91（CI 95%: 0.86 – 0.95）というバランスのとれた精度を達成した。さらに、相補的なラベルを活用することで、セグメンテーションの頑健性が向上し、症例レベルでの性能が向上することも示している。

要約(オリジナル)

In this paper, we present a deep learning segmentation approach to classify and quantify the two most prevalent primary liver cancers – hepatocellular carcinoma and intrahepatic cholangiocarcinoma – from hematoxylin and eosin (H&E) stained whole slide images. While semantic segmentation of medical images typically requires costly pixel-level annotations by domain experts, there often exists additional information which is routinely obtained in clinical diagnostics but rarely utilized for model training. We propose to leverage such weak information from patient diagnoses by deriving complementary labels that indicate to which class a sample cannot belong to. To integrate these labels, we formulate a complementary loss for segmentation. Motivated by the medical application, we demonstrate for general segmentation tasks that including additional patches with solely weak complementary labels during model training can significantly improve the predictive performance and robustness of a model. On the task of diagnostic differentiation between hepatocellular carcinoma and intrahepatic cholangiocarcinoma, we achieve a balanced accuracy of 0.91 (CI 95%: 0.86 – 0.95) at case level for 165 hold-out patients. Furthermore, we also show that leveraging complementary labels improves the robustness of segmentation and increases performance at case level.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL