데이터베이스 연구회지(SIGDB)
Current Result Document :
| 한글제목(Korean Title) |
유방암 면역조직화학 이미지의 가상 염색 변환 |
| 영문제목(English Title) |
Virtual Stain Transformation of Breast Cancer Immunohistochemistry Images |
| 저자(Author) |
권오흠
권기룡
송하주
Oh-Heum Kwon
Ki-Ryong Kwon
Ha-Joo Song
|
| 원문수록처(Citation) |
VOL 38 NO. 03 PP. 0062 ~ 0072 (2022. 12) |
한글내용
(Korean Abstract) |
조직학적 염색은 서로 다른 조직 구성요소 간의 색채 구별을 제공하며 암 등의 질병 진단에 있어서 필수적인 과정이다. 대표적인 염색 방법인 H&E 외에도 특정 조직 구성요소를 더 잘 강조하기 위해 사용하는 다양한 특수 염색들이 있다. 특수 염색은 종종 더 큰 비용과 시간이 필요하며 진단이 긴급한 경우 의료 시스템과 환자에게 부담이 될 수 있다. 화학적인 조직 염색 대신 이미 염색된 조직의 이미지를 딥러닝 기술을 이용하여 다른 염색으로 변환하는 것을 염색 변환(stain transformation)이라고 한다. 본 논문에서는 유방암 검사를 위해 H&E 염색된 조직 이미지를 IHC 염색 이미지로 변환하는 문제를 다룬다. 본 논문에서 제안하는 방법은 pix2pix 네트워크에 변환 대상 이미지와 타겟 이미지의 형태상의 차이를 보완하기 위한 2가지 기법을 추가 적용하는 것이다. 첫째는 대상 이미지와 타겟 이미지의 근저(underlying) 구조의 차이를 평가하여 이를 네트워크의 손실함수에 대한 가중치로 사용하고, 둘째로 STN을 이용하여 생성된 이미지에 대해 어핀(affine) 변환을 수행하고 그 결과를 타겟 이미지와 비교한다. 본 논문에서 제안한 네트워크의 성능을 평가하기 위해서 광범위한 실험을 수행하고 그 결과를 선행 연구와 비교하여 성능의 개선을 확인하였다. |
영문내용
(English Abstract) |
Histological staining provides color discrimination between different tissue components and is an essential process in the diagnosis of diseases such as cancer. In addition to H&E, which is the representative staining method, there are various special stains used to better highlight other tissue components. Special stains often require more cost and time and can be a burden to the health care system and patients when a diagnosis is urgent. Instead of chemical tissue staining, converting an already stained tissue image into another stain using deep learning technology is called stain transformation. In this paper, we address the problem of converting H&E-stained tissue images to IHC-stained images for breast cancer screening. The method proposed in this paper is to additionally apply two techniques to compensate for the difference between the source image and the target image to the pix2pix network. First, the difference between the underlying structure of the source and the target is evaluated and used as a weight for the loss function of the network. Second, affine transformation is performed on the generated image patches using STN, In order to evaluate the performance of the proposed network, extensive experiments were conducted and the performance improvement was confirmed by comparing the results with previous studies. |
| 키워드(Keyword) |
염색변환
유방암
pix2pix 네트워크
의료이미지처리
공간변환네트워크(STN)
기계 학습
Stain Transformation
Breast Cancer
Pix2pix Network
Medical Image Processing
Spatial Transformer Network
Machine Learning
|
| 파일첨부 |
PDF 다운로드
|
