面向跨域医学组织片的自适应染色归一化
计算机视觉与模式识别
2025-10-09 v1
摘要
深度学习进步已彻底变革了自动化数字病理分析领域。然而，染色协议和成像条件的差异会引入显著的颜色变异。在深度学习中，这种颜色不一致性会降低模型在与训练数据不同获取条件下的数据上的性能，称为域迁移问题。许多现有方法通过颜色归一化试图解决此问题，但存在诸多显著局限性，如引入人工物或需要精心选择模板图像进行染色映射。为此，我们提出一种可训练的颜色归一化模型，可集成到用于对象检测和分类的任何主干网络中。基于Beer-Lambert定律描述的成像过程物理，我们通过算法展开非负矩阵分解(NMF)模型，提取原始病理图像中抗染色结构信息，作为后续处理的输入。我们在公开病理数据集和内部精选的疟疾血小板上进行了实验，进行跨域对象检测和分类，其中我们的方法在许多最先进的染色归一化方法中均表现出色。我们的代码已公开于https://github.com/xutianyue/BeerLaNet。
引用
@article{arxiv.2510.06592,
title = {Adaptive Stain Normalization for Cross-Domain Medical Histology},
author = {Tianyue Xu and Yanlin Wu and Abhai K. Tripathi and Matthew M. Ippolito and Benjamin D. Haeffele},
journal= {arXiv preprint arXiv:2510.06592},
year = {2025}
}
备注
Accepted to the 28th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI 2025)