GradMix：用于不平衡病理图像数据集中细胞核分割与分类的增强方法
图像与视频处理
2022-10-25 v1 计算机视觉与模式识别
摘要
细胞核的自动化分割与分类是数字病理学中的一项基本任务。当前基于深度学习的方法需要病理医生大量标注的数据集。然而，现有数据集在不同类型细胞核之间通常是不平衡的，导致性能显著下降。本文提出一种简单而有效的数据增强技术，称为 GradMix，专为细胞核分割与分类设计。GradMix 取一对主要类细胞核与稀有类细胞核，创建定制混合掩码，并使用该掩码将它们组合以生成新的稀有类细胞核。由于组合了两个细胞核，GradMix 通过定制混合掩码同时考虑两个细胞核及邻近环境。这使我们能够生成具有不同环境的逼真稀有类细胞核。我们采用两个数据集来评估 GradMix 的有效性。实验结果表明，GradMix 能够改善不平衡病理图像数据集中细胞核分割与分类的性能。
引用
@article{arxiv.2210.12938,
title = {GradMix for nuclei segmentation and classification in imbalanced pathology image datasets},
author = {Tan Nhu Nhat Doan and Kyungeun Kim and Boram Song and Jin Tae Kwak},
journal= {arXiv preprint arXiv:2210.12938},
year = {2022}
}
备注
submitted to MICCAI2022