基于深度学习的偏置迁移以克服显微图像的实验室差异
图像与视频处理
2021-07-13 v1 计算机视觉与模式识别
机器学习
摘要
医学图像的自动化分析目前受到技术和生物噪声与偏置的限制。如果图像采集或处理协议不同，同一来源组织可由差异巨大的图像表示。对于图像分析流程而言，补偿此类偏置以避免误读至关重要。在此，我们评估、比较并改进现有的生成模型架构，以克服免疫荧光（IF）和苏木精-伊红（H&E）染色显微图像的域偏移。为确定生成模型的性能，仅使用目标偏置图像训练的深度神经网络对原始图像和变换后图像进行分割或分类。在我们的分析范围内，采用额外恒等损失和基于 MS-SSIM 的损失训练的 U-Net cycleGAN，以及采用额外结构损失训练的 Fixed-Point GAN，分别针对 IF 和 H&E 染色样本取得了最佳结果。调整样本的偏置显著改善了人肾肾小球和足细胞的像素级分割，并将人前列腺活检的分类准确率提高了至多 14%。
引用
@article{arxiv.2105.11765,
title = {Deep learning-based bias transfer for overcoming laboratory differences of microscopic images},
author = {Ann-Katrin Thebille and Esther Dietrich and Martin Klaus and Lukas Gernhold and Maximilian Lennartz and Christoph Kuppe and Rafael Kramann and Tobias B. Huber and Guido Sauter and Victor G. Puelles and Marina Zimmermann and Stefan Bonn},
journal= {arXiv preprint arXiv:2105.11765},
year = {2021}
}
备注
Accepted as a regular conference paper at MIUA 2021