CellMix:一种基于通用实例关系的病理图像分类数据增强方法
计算机视觉与模式识别
2023-07-25 v2
摘要
在病理图像分析中,获取和维护高质量标注样本是极其耗费人力的任务。为克服该挑战,基于混合的方法已成为传统预处理数据增强技术的有效替代。然而,这些方法未能充分考虑病理图像的独特特征,如局部特异性、全局分布以及样本内/样本间实例关系。为更好理解这些特征并创建有价值的伪样本,我们提出了CellMix框架,其采用一种新颖的面向分布的原位洗牌方法。通过基于病理实例粒度将图像分块并在同批次内洗牌,生成新样本时能有效保留实例间的绝对关系。此外,我们开发了受课程学习启发的、损失驱动的策略来处理训练中的扰动和分布相关噪声,使模型自适应拟合增强数据。我们在病理图像分类任务中的实验在7个不同数据集上展示了最先进(SOTA)性能。这种以实例关系为中心的创新方法有望为病理图像分类的通用数据增强方法提供借鉴。相关代码见https://github.com/sagizty/CellMix。
引用
@article{arxiv.2301.11513,
title = {CellMix: A General Instance Relationship based Method for Data Augmentation Towards Pathology Image Classification},
author = {Tianyi Zhang and Zhiling Yan and Chunhui Li and Nan Ying and Yanli Lei and Yunlu Feng and Yu Zhao and Guanglei Zhang},
journal= {arXiv preprint arXiv:2301.11513},
year = {2023}
}