基于最优传输的组织病理学数据集不变学习域适应
计算机视觉与模式识别
2023-03-07 v1 机器学习
摘要
组织病理学对包括癌症在内的许多疾病诊断至关重要。这些流程通常要求病理学家在显微镜下手动评估切片，耗时且主观，从而引发了对利用机器学习实现分析自动化的兴趣。然而，计算技术受限于批次效应，即制备方案或扫描仪等技术因素的差异会改变切片外观，导致在一个机构训练的模型在推广到其他机构时失效。在此，我们提出一种域适应方法，可改善组织病理学模型对来自未见机构的数据的泛化能力，且无需在这些新设置中使用标签或重新训练。我们的方法引入了一种最优传输（OT）损失，扩展了对抗方法，即若来自不同机构的图像在其表示空间中可区分则对模型施加惩罚。与先前在单样本上操作的方法不同，我们的损失考虑了图像批次间的分布差异。我们展示在 Camelyon17 数据集上，虽然两种方法均能适应颜色分布的全局差异，但仅我们的 OT 损失能可靠分类训练期间未见的癌症表型。总之，我们的结果表明 OT 改善了对于稀有但关键的表型的泛化，这些表型可能仅占切片中总体图块和变异的很小一部分。
引用
@article{arxiv.2303.02241,
title = {Domain adaptation using optimal transport for invariant learning using histopathology datasets},
author = {Kianoush Falahkheirkhah and Alex Lu and David Alvarez-Melis and Grace Huynh},
journal= {arXiv preprint arXiv:2303.02241},
year = {2023}
}