数字病理学中基于 corruption 仿真评估并增强深度学习模型鲁棒性
图像与视频处理
2023-11-01 v1 计算机视觉与模式识别
机器学习
摘要
数字病理学中的深度学习将智能与自动化作为实质性增强引入病理分析这一临床诊断的金标准。然而，从组织制备到切片成像的多个步骤引入了各种图像 corruption，使得深度神经网络（DNN）模型难以获得稳定的、可供临床使用的诊断结果。为评估并进一步增强模型的鲁棒性，我们分析了贯穿病理生命周期的全栈 corruption 的物理成因，并提出一种全 corruption 仿真（OmniCE）方法，以 5 级严重程度量化并重现 21 类 corruption。随后，我们在 patch 级与 slide 级构建了三个 OmniCE-corrupted 基准数据集，并评估了常用 DNN 在分类与分割任务中的鲁棒性。进一步，我们探索将 OmniCE-corrupted 数据集用作训练增广数据，并通过实验验证模型的泛化能力得到显著提升。
引用
@article{arxiv.2310.20427,
title = {Assessing and Enhancing Robustness of Deep Learning Models with Corruption Emulation in Digital Pathology},
author = {Peixiang Huang and Songtao Zhang and Yulu Gan and Rui Xu and Rongqi Zhu and Wenkang Qin and Limei Guo and Shan Jiang and Lin Luo},
journal= {arXiv preprint arXiv:2310.20427},
year = {2023}
}