用于计算病理学的联邦染色归一化
图像与视频处理
2022-09-30 v1 计算机视觉与模式识别
摘要
尽管深度联邦学习近年来备受关注，但进展主要集中在自然图像领域，在计算病理学方面几乎空白。然而，深度联邦学习是创建反映许多实验室数据多样性的数据集的机遇。此外，数据集构建的工作可由多方分担。遗憾的是，现有算法不易应用于计算病理学，因为先前工作预设各实验室数据分布必须相似。这是一个不太可能的假设，主要由于不同实验室具有不同的染色风格。作为解决方案，我们提出 BottleGAN，一种生成模型，能够计算对齐多个实验室的染色风格，并且可以以隐私保护的方式训练，以促进计算病理学中的联邦学习。我们基于 PESO 分割数据集构建了异质多机构数据集，与现有联邦学习算法相比将 IOU 提高了 42%。BottleGAN 的实现可在 https://github.com/MECLabTUDA/BottleGAN 获取。
引用
@article{arxiv.2209.14849,
title = {Federated Stain Normalization for Computational Pathology},
author = {Nicolas Wagner and Moritz Fuchs and Yuri Tolkach and Anirban Mukhopadhyay},
journal= {arXiv preprint arXiv:2209.14849},
year = {2022}
}
备注
Accepted for Poster at MICCAI2022