H&E-对抗网络：一种通过苏木精-伊红回归学习染色不变特征的卷积神经网络
图像与视频处理
2022-01-20 v2 计算机视觉与模式识别
摘要
计算病理学旨在开发算法以自动分析称为全切片图像（WSI）的大型数字化组织病理学图像。WSI 通过扫描经染色以使特定结构可见的薄组织样本产生。由于各医疗中心所采用的制备与扫描设定不同，它们呈现出染色颜色异质性。染色颜色异质性是训练卷积神经网络（CNN）的问题，CNN 是大多数计算病理学任务的最先进算法，因为 CNN 在测试包含不同于训练数据中所见染色变化的图像时通常表现不佳。尽管已开发若干方法，染色颜色异质性仍是一个未解决的挑战，限制了可跨多个医疗中心数据泛化的 CNN 的发展。本文旨在提出一种训练 CNN 的新方法，使其能更好地泛化至包含多种颜色变化的数据。该方法称为 H&E-adversarial CNN，利用 H&E 矩阵信息在训练期间学习染色不变特征。该方法在结肠与前列腺组织病理学图像分类上评估，涉及十一个异质数据集，并与五种其它处理染色颜色异质性的技术比较。H&E-adversarial CNN 相较其它算法表现出性能提升，证明它可帮助更好地应对染色颜色异质图像。
引用
@article{arxiv.2201.06329,
title = {H&E-adversarial network: a convolutional neural network to learn stain-invariant features through Hematoxylin & Eosin regression},
author = {Niccoló Marini and Manfredo Atzori and Sebastian Otálora and Stephane Marchand-Maillet and Henning Müller},
journal= {arXiv preprint arXiv:2201.06329},
year = {2022}
}
备注
Errata corrige Proceedings of the IEEE/CVF International Conference on Computer Vision 2021