通过剪枝实现多源图像中细胞核识别模型的泛化
计算机视觉与模式识别
2021-07-07 v1
摘要
Ki67 是癌症诊断和预后中的重要生物标志物，其指数可通过量化 Ki67 免疫组化（IHC）染色图像中的表达来评估。然而，由于成像差异、染色风格和病变类型导致的跨域分布差异，多源 Ki67 图像的定量分析在实践中仍是一项挑战。许多近期研究在域泛化（DG）方面做出了努力，但仍存在一些值得注意的局限。具体到 Ki67 图像，不变表示的学习受制于域数量不足以及不同域间细胞类别不匹配。本文中，我们提出一种新方法，通过在域合并场景中搜索域无关子网络来改进 DG。根据域间隙迭代剪枝部分模型参数，该域间隙由训练期间数据从单域转换为合并域所引发。此外，模型通过在合并域上微调来优化，以消除各域间类别不匹配的干扰。进一步地，通过将剪枝方法应用于框架的不同部分，获得了一种恰当的实现。与已知 DG 方法相比，我们的方法在 Ki67 IHC 图像的多类细胞核识别中取得了优异性能，尤其在缺失类别情况下。此外，我们的竞争结果也在公共数据集上相较最先进 DG 方法得到了评估。
引用
@article{arxiv.2107.02500,
title = {Generalizing Nucleus Recognition Model in Multi-source Images via Pruning},
author = {Jiatong Cai and Chenglu Zhu and Can Cui and Honglin Li and Tong Wu and Shichuan Zhang and Lin Yang},
journal= {arXiv preprint arXiv:2107.02500},
year = {2021}
}
备注
Accepted by MICCAI2021