标准化CycleGAN培训,用于无监督的染色适应,用于乳腺组织病理的侵袭性癌症分类

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 机器学习在组织病理学中的应用.

背景情况:

• 一般化在计算病理学中是一个重大挑战,因为幻灯片准备和扫描仪多样性的变化会导致在未见数据上模型性能下降.
• 在乳腺侵入性癌症的分类中,实现斑点不变对于强大的诊断模型至关重要.

研究的目的:

• 实施使用CycleGANs进行无监督图像到图像翻译的染色翻译策略,以实现染色不变性.
• 为了解决缺乏监测和停止CycleGAN培训的适当指标的问题.
• 改善计算病理学模型对乳腺侵入性癌症分类的概括性.

主要方法:

• 采用CycleGANs进行无监督的染色翻译,以实现乳腺侵入性癌症补丁分类中的染色不变性.
• 对比了基于CycleGAN的三种方法:在推断/训练和染色数据增强中使用翻译的染色特异模型.
• 使用Fréchet Inception Distance (FID) 作为CycleGAN训练的停止标准,将其与固定数量的时代进行比较.

主要成果:

• 所有经过测试的CycleGAN方法都改善了基线指标,而不需要标签在目标染料上.
• 基于增色方法的方法在来自三个医疗中心的所有测试污点 (H&E和H&E&S) 上表现出卓越的性能.
• FID停止标准被证明比固定数量的时代更有效,消除了对CycleGAN输出的视觉检查的需要.

结论:

• 一种使用CycleGANs进行染色翻译的新方法有效地实现了乳腺侵入性癌症分类中的染色不变性.
• 提出并验证了一种使用FID作为停止标准的循环GAN培训安排的系统方法.
• 提供了对 CycleGAN 数字病理学培训的最小数据要求的见解.