域偏移下的白细胞分类基准测试
图像与视频处理
2023-05-22 v2 计算机视觉与模式识别
摘要
在人体血液涂片的显微图像中识别白细胞（WBCs）类型是病理学和血液学领域的一项基础任务。尽管以往研究在方法和数据集的发展上作出了重大贡献，但很少有论文研究他人可轻松参考的基准或基线。例如，我们观察到同一卷积神经网络（CNN）模型在不同研究中所报告准确率存在显著差异，却无公开实现可复现这些结果。本文中，我们建立了WBC识别的基准。我们的结果表明，基于CNN的模型在相似成像条件下训练与测试时达到高准确率；然而，在不同条件下测试时性能显著下降。此外，以往工作广泛使用的ResNet分类器由于批归一化，在域偏移下表现出不合理的较差泛化能力。我们研究了该问题并建议了一些可缓解此问题的替代归一化技术。我们公开了完全可复现的代码\footnote{\url{https://github.com/apple2373/wbc-benchmark}}。
引用
@article{arxiv.2303.01777,
title = {Benchmarking White Blood Cell Classification Under Domain Shift},
author = {Satoshi Tsutsui and Zhengyang Su and Bihan Wen},
journal= {arXiv preprint arXiv:2303.01777},
year = {2023}
}
备注
Accepted to the International Conference on Acoustics, Speech, and Signal Processing (ICASSP) 2023. More datasets are cited