回転翻訳等変な畳み込みニューラルネットワーク：組織病理学画像分析への応用

回転不変性は、特に計算病理学アプリケーションにおける医療画像解析の機械学習モデルに望まれる特性です。本研究では、特殊ユークリッド運動群SE(2)の幾何構造を畳み込みネットワークにエンコードするフレームワークを提案し、SE(2)群畳み込み層の導入により翻訳と回転の等変性を達成します。この構造により、モデルは離散化された向き次元を持つ特徴表現を学習でき、その出力が離散的な一連の回転に対して不変であることが保証されます。回転不変性の従来のアプローチは主にデータ拡張に依存していますが、これは入力が回転した場合の出力の堅牢性を保証しません。そのため、訓練された従来のCNNはテスト時に回転拡張を行う必要がある場合があります。本研究は、任意のグローバルな組織画像の向き情報が機械学習モデルによって捉えられないことが望ましい組織病理学画像解析アプリケーションに焦点を当てています。提案されたフレームワークは、3つの異なる組織病理学画像解析タスク（有糸分裂検出、核セグメンテーション、腫瘍分類）で評価されました。各問題に対する比較分析を行い、提案されたフレームワークを使用することで性能の一貫した向上が達成できることを示しています。