HoVer-Net: 多組織ヒストロジー画像における核の同時セグメンテーションと分類

ヘマトキシリン・イオシン染色の組織学的画像における核のセグメンテーションと分類は、デジタル病理ワークフローにおいて基本的な前提条件です。核のセグメンテーションと分類の自動化手法の開発により、一枚のスライド全体の病理画像内に存在する数万個の核を定量的に分析することが可能となり、大規模な核形態計測のさらなる解析が見込まれます。しかし、自動的な核セグメンテーションと分類には大きな課題があります。それは、いくつかの異なる種類の核が存在し、その中でも腫瘍細胞などはクラス内の変動が大きいことです。さらに、一部の核はしばしば集団を形成しています。これらの課題に対処するために、我々は垂直方向と水平方向における核ピクセルから重心までの距離に含まれるインスタンス豊富な情報を活用した新しい畳み込みニューラルネットワークを提案します。これらの距離を利用して集まった核を分離することで、特に重複するインスタンスがある領域での正確なセグメンテーションが実現されます。その後、各セグメンテーションされたインスタンスに対して、専用のアップサンプリングブランチを通じて核のタイプを予測します。我々は複数の独立した多組織組織学的画像データセットで他の方法と比較して最先端の性能を示しています。本研究の一環として、24,319個の完全にアノテーションされた核（クラスラベル付き）を含む新しいヘマトキシリン・イオシン染色の大腸腺癌画像タイルデータセットを紹介します。