用于乳腺组织病理学浸润性癌分类中无监督染色自适应的标准化 CycleGAN 训练
图像与视频处理
2024-01-09 v2 计算机视觉与模式识别
机器学习
摘要
泛化能力是计算病理学的核心挑战之一。切片制备的异质性与扫描仪的多样性,导致模型在训练时未见过的数据所属医疗中心上表现不佳。为在乳腺浸润性癌斑块分类中实现染色不变性,我们采用 cycleGAN 进行无监督图像到图像翻译的染色迁移策略。我们将三种基于 cycleGAN 的方法与未采用任何染色不变性策略的基线分类模型进行比较。其中两种所提方法在推理或训练时使用 cycleGAN 的翻译结果以构建染色特异性分类模型。最后一种方法在训练期间将其用于染色数据增强,从而约束分类模型学习染色不变特征。基线指标通过在参考染色上训练并测试基线分类模型来设定。我们使用三个具有 H&E 与 H&E&S 染色的医疗中心评估性能。本研究中测试的每种方法均无需目标染色上的标签即可改善基线指标。基于染色增强的方法在各染色上均取得最佳结果。本文研究并讨论了各方法的优劣。然而,训练高性能 cycleGAN 模型本身即为一大挑战。本工作中,我们引入一种通过设定新停止准则来系统化优化 cycleGAN 训练的方法。该方法无需对 cycleGAN 结果进行任何视觉检查,且被证明优于使用预定义训练轮数的方法。此外,我们还研究了 cycleGAN 训练所需的最小数据量。
引用
@article{arxiv.2301.13128,
title = {Standardized CycleGAN training for unsupervised stain adaptation in invasive carcinoma classification for breast histopathology},
author = {Nicolas Nerrienet and Rémy Peyret and Marie Sockeel and Stéphane Sockeel},
journal= {arXiv preprint arXiv:2301.13128},
year = {2024}
}