H&E 染色图像的快速、自监督、全卷积颜色归一化
计算机视觉与模式识别
2020-12-01 v1 机器学习
图像与视频处理
摘要
如果训练集和测试集的数据分布不同，深度学习算法的性能会急剧下降。由于染色协议、试剂品牌和技术人员习惯的差异，数字组织病理学图像中的颜色变化十分常见。颜色变化给组织病理学中基于深度学习的自动诊断系统部署带来了问题。先前提出的颜色归一化方法将小斑块作为归一化参考，这会在分布外源图像上产生伪影。这些方法也很慢，因为大部分计算在 CPU 而非 GPU 上执行。我们提出了一种颜色归一化技术，其在自监督训练和推理时均很快。我们的方法基于轻量级全卷积神经网络，可作为预处理模块轻松接入基于深度学习的流程。对于 CAMELYON17 和 MoNuSeg 数据集上的分类和分割任务，所提方法比当前最优方法更快，并带来更大的精度提升。
引用
@article{arxiv.2011.15000,
title = {Fast, Self Supervised, Fully Convolutional Color Normalization of H&E Stained Images},
author = {Abhijeet Patil and Mohd. Talha and Aniket Bhatia and Nikhil Cherian Kurian and Sammed Mangale and Sunil Patel and Amit Sethi},
journal= {arXiv preprint arXiv:2011.15000},
year = {2020}
}
备注
--