计算病理中的域泛化：综述与指南
图像与视频处理
2023-10-31 v1 计算机视觉与模式识别
机器学习
摘要
深度学习模型通过在一系列组织学图像分析应用中解决复杂任务，在计算病理（CPath）中展现出卓越的有效性。然而，分布外数据（源于众多来源，如不同的成像设备和多样的组织制备方法）的存在会导致\emph{域偏移}（DS）。DS 降低了训练模型对具有略微不同数据分布的未见过数据集的泛化能力，从而催生了对创新性\emph{域泛化}（DG）解决方案的需求。认识到 DG 方法在癌症研究和临床实践的诊断与预后模型中具有显著影响潜力，我们呈现此综述并提供在 CPath 中实现 DG 的指南。我们严格定义各类 DS 类型，系统回顾并分类 CPath 中现有的 DG 方法与资源，并洞察其优势、局限性与适用性。我们还使用 28 种前沿 DG 算法进行了详尽的基准实验，以解决一个复杂的 DG 问题。我们的发现表明，精心的实验设计和 CPath 专用的染色增强（Stain Augmentation）技术可能非常有效。然而，CPath 中的 DG 并无放之四海皆准的解决方案。因此，我们针对不同的场景建立了检测和管理 DS 的清晰指南。尽管大多数概念、指南和建议是针对 CPath 中的应用给出的，我们认为它们也适用于大多数医学图像分析任务。
引用
@article{arxiv.2310.19656,
title = {Domain Generalization in Computational Pathology: Survey and Guidelines},
author = {Mostafa Jahanifar and Manahil Raza and Kesi Xu and Trinh Vuong and Rob Jewsbury and Adam Shephard and Neda Zamanitajeddin and Jin Tae Kwak and Shan E Ahmed Raza and Fayyaz Minhas and Nasir Rajpoot},
journal= {arXiv preprint arXiv:2310.19656},
year = {2023}
}
备注
Extended Version