细粒度难负样本挖掘：仅用五分之一 MIDOG 2022 数据集实现有丝分裂检测的泛化
图像与视频处理
2023-01-04 v1 计算机视觉与模式识别
摘要
使组织病理学图像分类器对广泛的真实世界变异具有鲁棒性是一项具有挑战性的任务。在此，我们描述了一种针对 2022 年有丝分裂域泛化挑战赛（MIDOG）的候选深度学习方案，以解决苏木精-伊红染色组织学切片图像在高变异性（扫描仪、组织类型和物种变异性）下有丝分裂检测的泛化问题。我们的方法包括：使用激进的数据增强训练一个旋转不变的深度学习模型，训练集辅以难负样本以及从挑战赛数据集未标注部分自动筛选出的负样本。为优化模型性能，我们研究了一种难负样本挖掘机制搜索流程，最终使用代表挑战赛数据集训练划分中 19.6% 的图像块子集训练出最佳模型。我们的候选模型集成在挑战赛平台自动评估后于最终测试集上取得了 0.697 的 F1 分数，在 MIDOG 2022 挑战赛中取得第三高总分。
引用
@article{arxiv.2301.01079,
title = {Fine-Grained Hard Negative Mining: Generalizing Mitosis Detection with a Fifth of the MIDOG 2022 Dataset},
author = {Maxime W. Lafarge and Viktor H. Koelzer},
journal= {arXiv preprint arXiv:2301.01079},
year = {2023}
}