数字病理学的多域染色归一化：一种面向全切片图像的循环一致对抗网络

不同医疗中心之间组织学染色的差异是计算机辅助诊断领域最深刻的挑战之一。病理全切片图像的外观差异导致算法可靠性下降，进而阻碍诸如癌症诊断等下游任务的广泛应用。此外，不同染色会在训练中引入偏置，在域偏移的情况下会对测试性能产生负面影响。因此，本文中我们提出 MultiStain-CycleGAN，一种基于 CycleGAN 的染色归一化多域方法。我们对 CycleGAN 的改进使我们能够归一化不同来源的图像而无需重新训练或使用不同模型。我们使用多种指标对我们方法进行广泛评估，并将其与常用的具备多域能力的方法进行比较。首先，我们评估我们的方法在多大程度上能欺骗一个试图将医疗中心分配给图像的域分类器。然后，我们在下游分类器的肿瘤分类性能上测试我们的归一化效果。此外，我们使用结构相似性指数评估归一化图像的图像质量，并使用 Fréchet inception distance 评估其减少域偏移的能力。我们表明我们的方法确具多域能力，在比较方法中提供最高图像质量，并且能最可靠地欺骗域分类器同时保持肿瘤分类器的高性能。通过减少域影响，一方面可消除数据中的偏置，另一方面可掩盖全切片图像的来源，从而增强患者数据隐私。