组织病理学深度学习中域偏移的细致考察
计算机视觉与模式识别
2019-09-27 v2
摘要
域偏移是组织病理学中的一个显著问题。不同医疗中心和扫描仪的全切片图像在数据特征上可能存在巨大差异，使得深度学习对未见数据的泛化变得困难。为更好地理解该问题，我们呈现了一项关于为 H&E 染色全切片图像肿瘤分类训练的卷积神经网络的研究。我们分析了增强与归一化策略如何影响性能与所学表示，以及训练模型响应于哪些特征。最核心的是，我们提出了一种在特模型所学表示背景下评估域间距离的新度量。该度量可揭示模型对域变化的敏感度，并可用于检测模型难以泛化的新数据。结果表明，学习深受训练数据制备的影响，且用于分类的潜在表示对数据分布的变化敏感，尤其在无增强或归一化训练时。
引用
@article{arxiv.1909.11575,
title = {A Closer Look at Domain Shift for Deep Learning in Histopathology},
author = {Karin Stacke and Gabriel Eilertsen and Jonas Unger and Claes Lundström},
journal= {arXiv preprint arXiv:1909.11575},
year = {2019}
}
备注
8 pages, 4 figures. Accepted to COMPAY2019: Second MICCAI Workshop on Computational Pathology