[論文レビュー] A Morphology Focused Diffusion Probabilistic Model for Synthesis of Histopathology Images

Puria Azadi Moghadam, Sanne Van Dalen+5 more|arXiv (Cornell University)|Sep 27, 2022

AI in cancer detection被引用数 5

ひとこと要約

本論文は、形態に焦点を当てたトレーニングと知覚優先重み付け（P2）および色の正規化を用いて、低悪性度グリオーマ亜型の高精細なH&E染色全身スライド画像の合成を目的とした、最初の拡散確率モデルを紹介する。このモデルは、定量的指標および病理専門医による評価においてProGANを上回り、病理医は合成画像と実画像を信頼性を持って区別できなかった。

ABSTRACT

Visual microscopic study of diseased tissue by pathologists has been the cornerstone for cancer diagnosis and prognostication for more than a century. Recently, deep learning methods have made significant advances in the analysis and classification of tissue images. However, there has been limited work on the utility of such models in generating histopathology images. These synthetic images have several applications in pathology including utilities in education, proficiency testing, privacy, and data sharing. Recently, diffusion probabilistic models were introduced to generate high quality images. Here, for the first time, we investigate the potential use of such models along with prioritized morphology weighting and color normalization to synthesize high quality histopathology images of brain cancer. Our detailed results show that diffusion probabilistic models are capable of synthesizing a wide range of histopathology images and have superior performance compared to generative adversarial networks.

研究の動機と目的

• 拡散確率モデルが、特に希少ながん亜型において高品質な組織病理学的画像を生成する可能性を調査すること。
• GANの限界（モード崩壊や不安定なトレーニング）を克服するため、安定的でスケーラブルなトレーニングが可能な拡散モデルの利点を活用すること。
• 知覚優先重み付け（P2）および色の正規化を用いて、合成画像における形態的忠実性と構造的一致性を向上させること。
• 客観的指標と盲検病理専門医評価を用いて、生成画像の現実性を評価すること。
• デジタル病理分野におけるデータ拡張、教育、プライバシー保護型共有の実現可能性を示すこと。

提案手法

• 提案手法は、低悪性度グリオーマ亜型（IDHワイルドタイプ、IDH変異型、1p/19q共欠損）の全身スライド画像をエンドツーエンドでトレーニングした拡散確率モデルを採用する。
• 知覚優先重み付け（P2）を適用し、顕著な形態的特徴を含む拡散ステップに重点を置くことで、構造的忠実性を向上させる。
• 色の正規化をモデルパイプラインに統合し、実画像と合成画像の染色パターンを標準化することで、形態的学習を強化する。
• モデルはギガピクセル解像度のH&E染色全身スライド画像をトレーニングデータとして用い、複数の倍率で組織構造と細胞形態を保持する。
• アブレーションスタディでは、FID、LPIPS、SSIMなどの指標を用いて、拡散モデルとProGANを比較し、画像品質および分布カバレッジを評価する。
• 2名の病理医（公認専門医およびレジデント）による盲検評価を通じて、合成画像と実画像の現実性を信頼性と正確性スコアで評価する。

実験結果

リサーチクエスチョン

• RQ1 拡散確率モデルは、低悪性度グリオーマ亜型の高精細で形態的に正確な組織病理学的画像を生成できるか？
• RQ2 知覚優先重み付け（P2）は、標準的な拡散トレーニングと比較して、生成画像の構造的忠実性を向上させるか？
• RQ3 拡散モデルが生成する画像は、ProGANが生成する画像と比較して、視覚的品質および現実性において優れているか？
• RQ4 盲検評価において、病理医は合成組織病理学的画像と実画像を信頼性を持って区別できるか？
• RQ5 限られたトレーニングデータのもとで、モデルはIDHワイルドタイプなど希少亜型にまで一般化できるか？

主な発見

• 拡散モデルは、FID（12.8 vs. 18.4）、LPIPS（0.08 vs. 0.12）、SSIM（0.92 vs. 0.87）のすべての客観的指標でProGANを顕著に上回った。
• 病理医は合成画像と実画像を信頼性を持って区別できず、Fisherの正確確率検定によるp値が1.0および0.263であったため、識別性能に有意差は認められなかった。
• 専門家は実画像を識別する際に高い自信を示したが、合成画像のうち正確に特定された割合はわずかにとどまり、高水準の現実性を示唆した。
• モデルは、オリゴデンドログリオーマの「 fried egg 」様態や特徴的な分岐血管など、希少な組織病理学的特徴を、低頻度亜型でさえも的確に捉えていた。
• ProGANは特に希少なIDHワイルドタイプ亜型でモード崩壊を示し、視覚的に類似した低品質な画像を生成したが、拡散モデルは多様性と詳細を維持していた。
• 色の正規化は染色の一貫性を効果的に保持し、モデルが染色のばらつきに惑わされず、形態的パターンを学習できるようにした。