利用标签平滑校准组织病理学图像分类器
图像与视频处理
2022-01-31 v1 计算机视觉与模式识别
摘要
组织病理学图像的分类从根本上不同于传统图像分类任务，因为组织病理学图像自然呈现出一系列诊断特征，导致标注者一致程度多样。然而，在训练组织病理学图像分类器时，标注者分歧较大的样本通常被赋予多数标签或完全丢弃。这种普遍做法常导致分类器不考虑样本难度且表现出较差的模型校准。在本文中，我们探讨：我们能否通过赋予组织病理学图像分类器关于样本难度的归纳偏置来改善模型校准？我们提出了几种利用每幅图像标注者一致程度的标签平滑方法。尽管我们的方法简单，我们发现它们显著改善了模型校准，同时保持（甚至提高）了准确率。对于结直肠息肉分类这一胃肠道病理学中常见且具挑战性的任务，我们发现所提出的感知一致性标签平滑方法将校准误差降低了近 70%。此外，我们发现使用模型置信度作为标注者一致程度的代理也能改善校准和准确率，这表明没有多位标注者的数据集仍可通过我们提出的感知置信度标签平滑方法从我们的标签平滑方法中获益。鉴于校准的重要性（尤其在组织病理学图像分析中），我们所提技术带来的改进值得进一步探索并有可能应用于其他组织病理学图像分类任务。
引用
@article{arxiv.2201.11866,
title = {Calibrating Histopathology Image Classifiers using Label Smoothing},
author = {Jerry Wei and Lorenzo Torresani and Jason Wei and Saeed Hassanpour},
journal= {arXiv preprint arXiv:2201.11866},
year = {2022}
}