组织病理学图像中的难度迁移

组织病理学图像的独特性质为图像迁移模型的领域特定表述打开了大门。我们提出一种难度迁移模型，该模型修改结直肠组织病理学图像以使其更难以分类。我们的模型包含一个评分器（提供输出置信度以度量图像难度）与一个图像迁移器（利用由评分器定义的训练集学习将图像从易分类迁移至难分类）。我们给出三点发现。首先，生成的图像对于人类病理医生与机器学习分类器而言均确实比其对应源图像更难分类。其次，以生成图像作为增强数据训练的图像分类器在独立测试集的易分类与难分类图像上均表现更好。最后，人类标注者一致性及我们模型的难度度量强相关，意味着在未来需要人类标注者一致性的工作中，机器学习分类器的置信度分数可用作代理。