利用组织学图像旋转对称性的稠密可转向滤波卷积神经网络
图像与视频处理
2020-07-21 v2 计算机视觉与模式识别
摘要
组织学图像在旋转下具有固有的对称性，每个方向出现的可能性均等。然而，这种旋转对称性并未作为先验知识在现代卷积神经网络（CNNs）中得到广泛利用，导致模型需要大量数据，并在每个方向上学习独立的特征。使CNN具有旋转等变性消除了从数据中学习这组变换的必要性，转而释放模型容量，从而能够学习更具判别力的特征。所需参数数量的减少也降低了过拟合的风险。本文提出稠密可转向滤波卷积神经网络（DSF-CNNs），其在稠密连接框架中使用带有每个滤波器的多个旋转副本的群卷积。每个滤波器定义为可转向基滤波器的线性组合，从而实现精确旋转，并与标准滤波器相比减少了可训练参数数量。我们还首次对用于组织学图像分析的不同旋转等变CNN进行了深入比较，并展示了将旋转对称性编码到现代架构中的优势。我们表明，在计算病理学领域的三个不同任务——乳腺肿瘤分类、结肠腺体分割和多组织细胞核分割中，DSF-CNNs以显著更少的参数实现了最先进的性能。
引用
@article{arxiv.2004.03037,
title = {Dense Steerable Filter CNNs for Exploiting Rotational Symmetry in Histology Images},
author = {Simon Graham and David Epstein and Nasir Rajpoot},
journal= {arXiv preprint arXiv:2004.03037},
year = {2020}
}