要約
自動的な核領域のセグメンテーションと分類は、細胞の特性および機能を分析・理解する上で不可欠であり、疾患診断におけるコンピュータ支援デジタル病理学の基盤を支える。しかし、核のサイズ、明るさ、形態に見られる固有の多様性のため、このタスクは依然として困難を伴っている。本研究では、核の内在的特徴を活用し、学習過程において特に不確実性の高い領域に注目できる、同時型の核セグメンテーションと分類を実現する自己誘導型順序回帰ニューラルネットワークを提案する。本手法は、距離減少離散化戦略を導入することで、核のセグメンテーションを順序回帰学習として定式化する。この戦略により、核の規則的な内側領域と不規則な外側領域が階層的に分離される。さらに、ネットワーク自身が各ピクセルの難易度を評価し、それに応じて核ピクセルに関連する重みを動的に調整する自己誘導型学習戦略を採用している。提案手法の性能評価には、276,349個の核が網羅的にアノテーションされた大規模なマルチ組織データセットを用いた。その結果、最近開発されたセグメンテーションおよび/または分類に特化した複数の手法と比較して、本手法が核セグメンテーションおよび分類の両面で最先端の性能を達成することが示された。