[논문 리뷰] Neural Stain-Style Transfer Learning using GAN for Histopathological Images

Hyungjoo Cho, Sungbin Lim외 2명|arXiv (Cornell University)|2017. 10. 23.

AI in cancer detection참고 문헌 13인용 수 77

한 줄 요약

논문은 conditional GAN을 기반으로 한 stain-style transfer (SST) 네트워크를 제안하며 특징 보존 손실로 연구소 간 염색 스타일을 전달하되 종양 분류기 성능을 보존한다. CAMELYON16 데이터로 평가했다.

ABSTRACT

Performance of data-driven network for tumor classification varies with stain-style of histopathological images. This article proposes the stain-style transfer (SST) model based on conditional generative adversarial networks (GANs) which is to learn not only the certain color distribution but also the corresponding histopathological pattern. Our model considers feature-preserving loss in addition to well-known GAN loss. Consequently our model does not only transfers initial stain-styles to the desired one but also prevent the degradation of tumor classifier on transferred images. The model is examined using the CAMELYON16 dataset.

연구 동기 및 목표

• 연구소 간 염색 스타일에 따라 분류기 성능이 달라진다는 문제를 동기 부여한다.
• GAN 기반 stain-style transfer로 SST를 제안하여 염색 스타일을 통일하면서 분류기 특징을 보존한다.
• 스타일 제너레이터를 학습하기 위해 재구성, conditional GAN, 특징 보존 손실을 통합한다.
• SST가 교차 연구소 데이터에서 분류기 성능을 보존하고 종양 분류 정확도를 향상시킴을 입증한다.

제안 방법

• 염색 스타일을 연구소별 색상 이미지 분포로 정의한다.
• 회색 정규화 G와 stain-style 제너레이터 zeta를 사용하여 stain-transfer tau = zeta o G를 형성한다.
• tau를 재구성 손실(스타일 내 일관성 유지), conditional GAN 손실(색상 매핑 학습), 특징 보존 손실(분류기 특징 유지)이라는 세 가지 손실로 학습한다.
• 완전 컨볼루션 FusionNet 기반 제너레이터와 VGG 유사한 판별자를 GAN 프레임워크에서 사용한다.
• Discriminator 신호와 FP 손실의 특징 추출기로서 ResNet-34 분류기를 활용한다.

실험 결과

연구 질문

• RQ1 GAN 기반 stain-style transfer가 목표 연구소의 라벨이나 참조 구현 없이도 연구소 간 스타일 매핑을 학습할 수 있는가?
• RQ2 특징 보존 손실을 도입하면 stain-style transfer 후 종양 분류기 성능 저하를 방지할 수 있는가?
• RQ3 교차 연구소 데이터에서 SST가 전통적 stain 정규화 방법에 비해 종양 분류 지표에서 어떤 차이를 보이는가?

주요 결과

모델	대상	원본	SST	WSICS	HS	Macenko	Reinhard
AUC	0.9760	0.8900	0.9185	0.6408	0.4245	0.7169	0.5611
Precision	0.9114	0.8098	0.8440	0.5989	0.4987	0.6983	0.6114
Recall	0.9126	0.8111	0.8460	0.5957	0.4986	0.6956	0.6119
Specificity	0.9583	0.8014	0.8371	0.6010	0.4162	0.6500	0.5471

• SST는 이전 방법 및 원본 이미지에 비해 전이된 이미지에서 가장 높은 종양 분류 AUC를 달성하였다(0.9185).
• SST는 대상 유사 데이터에서 분류기 성능을 유지하여 AUC가 0.9760인 반면 원본 이미지는 0.8900으로 하락하였다.
• WSICS, HS, Macenko, Reinhard와 비교했을 때 SST가 교차 연구소 테스트 세트에서 정밀도, 재현율, 특이도에서 현저히 우수하다.
• SST는 시각적 stain 정규화 방식보다 뛰어나며 분류에 관련된 조직병리학적 특징을 보존한다.