域自适应学习：基于改进损失函数组合的组织学图像无监督自适应
计算机视觉与模式识别
2023-10-02 v1
摘要
本文提出一种针对 H&E 染色组织学图像的无监督域自适应（UDA）新方法。现有的对抗域自适应方法可能无法有效对齐与分类问题相关的多模态分布的不同域。目标是利用这些域的独特特征来增强域对齐并减少它们之间的域偏移。我们的方法提出了一种新颖的损失函数以及精心选择的现有损失函数，专门应对组织学图像特有的挑战。这种损失组合不仅使模型准确且鲁棒，而且在训练收敛方面更快。我们特别关注利用组织学特定特征（如组织结构和细胞形态）来增强组织学域中的自适应性能。所提方法在准确性、鲁棒性和泛化性上进行了广泛评估，超越了组织学图像的最先进技术。我们在 FHIST 数据集上进行了大量实验，结果表明我们提出的方法——域自适应学习（DAL）分别显著超越基于 ViT 和基于 CNN 的 SoTA 方法 1.41% 和 6.56%。
引用
@article{arxiv.2309.17172,
title = {Domain-Adaptive Learning: Unsupervised Adaptation for Histology Images with Improved Loss Function Combination},
author = {Ravi Kant Gupta and Shounak Das and Amit Sethi},
journal= {arXiv preprint arXiv:2309.17172},
year = {2023}
}