ContriMix:数字病理学中无需域标签的可扩展染色颜色增强用于域泛化
图像与视频处理
2024-03-11 v4 计算机视觉与模式识别
机器学习
摘要
染色和成像过程的差异会导致组织病理学图像出现显著的颜色变化,从而在部署从不同数据源训练的深度学习模型时导致泛化性能下降。已有多种颜色增强方法被提出,用于在训练期间生成合成图像以使模型更鲁棒,从而消除测试时进行染色归一化的需要。许多颜色增强方法利用域标签来生成合成图像。这种方法在扩展此类模型时带来三个显著挑战。首先,将来自新域的数据整合进基于现有域标签训练的深度学习模型并不简单。其次,对域标签的依赖阻碍了利用无域标签的病理图像来提升模型性能。最后,当单张图像关联多个域标签(例如患者标识、医疗中心等)时,这些方法的实现变得复杂。我们提出ContriMix,一种基于DRIT++(一种风格迁移方法)的新型无域标签染色颜色增强方法。ContriMix利用训练小批量内的样本染色颜色变化与随机混合,从病理图像中提取内容与属性信息。训练好的ContriMix模型可利用该信息创建合成图像以提升现有分类器的性能。ContriMix在Camelyon17-WILDS数据集上优于对比方法。其在测试集的不同切片上表现一致,同时对病理图像中稀有物质引起的颜色变化具有鲁棒性。我们提供代码与训练好的ContriMix模型供研究使用。ContriMix代码见https://gitlab.com/huutan86/contrimix
引用
@article{arxiv.2306.04527,
title = {ContriMix: Scalable stain color augmentation for domain generalization without domain labels in digital pathology},
author = {Tan H. Nguyen and Dinkar Juyal and Jin Li and Aaditya Prakash and Shima Nofallah and Chintan Shah and Sai Chowdary Gullapally and Limin Yu and Michael Griffin and Anand Sampat and John Abel and Justin Lee and Amaro Taylor-Weiner},
journal= {arXiv preprint arXiv:2306.04527},
year = {2024}
}