利用自动增强与搜索优化技术提升基于 Transformer 的乳腺癌诊断分割性能
图像与视频处理
2023-11-21 v1 计算机视觉与模式识别
摘要
乳腺癌仍是一项严峻的全球健康挑战，亟需早期且准确的检测以实现有效治疗。本文提出一种方法，将自动图像增强选择（RandAugment）与搜索优化策略（Tree-based Parzen Estimator）相结合，以确定图像增强次数及其相关增强参数幅值的最优取值，从而提升分割性能。我们在乳腺癌组织学切片上对所提方法进行了实证验证，重点关注癌细胞的分割。在应用该增强方法之前，我们对包括 SegFormer、PoolFormer 和 MaskFormer 模型在内的前沿基于 transformer 的分割模型进行了对比分析，以建立全面的基线。我们的结果表明，所提方法得到的分割模型对组织学切片的变化更具鲁棒性，同时保持了高水平的分割性能，并且与以往研究相比，对肿瘤类的分割有所改善。应用增强后，我们在分割肿瘤类时取得的最佳结果为 Dice 分数 84.08 和 IoU 分数 72.54。本文的主要贡献是开发了一种在确保模型对数据方差鲁棒性的同时提升分割性能的方法论。这对医学从业者具有重要意义，有助于开发更有效的机器学习模型用于临床，从组织学切片中识别乳腺癌细胞。此外，本研究配套的代码库将在发表后发布，这将促进基于我们所提方法的进一步研究与应用程序开发，从而扩大其影响。
引用
@article{arxiv.2311.11065,
title = {Enhancing Transformer-Based Segmentation for Breast Cancer Diagnosis using Auto-Augmentation and Search Optimisation Techniques},
author = {Leon Hamnett and Mary Adewunmi and Modinat Abayomi and Kayode Raheem and Fahad Ahmed},
journal= {arXiv preprint arXiv:2311.11065},
year = {2023}
}
备注
Extended Abstract presented at Machine Learning for Health (ML4H) symposium 2023, December 10th, 2023, New Orleans, United States, 15 pages