[论文解读] Neural Stain-Style Transfer Learning using GAN for Histopathological Images

Hyungjoo Cho, Sungbin Lim+2 more|arXiv (Cornell University)|Oct 23, 2017

AI in cancer detection参考文献 13被引用 77

一句话总结

本文提出了一种基于条件GAN并带有特征保持损失的染色风格转移（SST）网络，用于在不同机构之间转移染色风格，同时保留肿瘤分类器的性能，并在 CAMELYON16 数据上进行评估。

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.

研究动机与目标

• 提示/激发这样的问题：分类器在不同机构的染色风格下性能存在差异。
• 提出将 SST 作为基于 GAN 的染色风格转移，以统一染色风格，同时保留分类器特征。
• 将重建损失、条件 GAN 损失和特征保持损失整合，以训练风格生成器。
• 证明 SST 在跨机构数据上可以保持分类器性能并提高肿瘤分类准确率。

提出的方法

• 将染色风格定义为每个机构的彩色图像分布。
• 使用灰度归一化 G 和染色风格生成器 zeta 形成染色转移 tau = zeta o G。
• 用三种损失训练 tau：重建损失以保持风格内的一致性、条件 GAN 损失以学习颜色映射、以及特征保持损失以保持分类器特征。
• 在 GAN 框架中使用基于全卷积的 FusionNet 生成器和类似 VGG 的判别器。
• 利用 ResNet-34 分类器作为判别信号和 FP 损失的特征提取器。

实验结果

研究问题

• RQ1 基于 GAN 的染色风格转移是否能够在没有目标机构标签或参考实现的情况下，在机构之间映射染色风格？
• RQ2 加入特征保持损失是否能防止染色风格转移后肿瘤分类器性能的下降？
• RQ3 在跨机构数据上，SST 相较于传统的染色归一化方法在肿瘤分类指标上表现如何？

主要发现

• SST 在转移图像上实现最高的肿瘤分类 AUC（0.9185），高于其他方法和原始图像。
• SST 在目标相似数据上保持分类器性能，AUC 为 0.9760，而原始图像降至 0.8900。
• 与 WSICS、HS、Macenko 和 Reinhard 的比较中，SST 在跨机构测试集上显著获得更高的精确度、召回率和特异度。
• SST 优于可视化染色归一化方法，同时保留对分类有意义的组织病理学特征。