基于风格增强特征域混合的组织病理学图像分析以改善泛化能力

组织病理学图像对于医学诊断和治疗规划至关重要，但由于组织制备、染色和成像协议的变化，使用机器学习准确解读它们可能具有挑战性。域泛化旨在通过使学习模型能够泛化到新的数据集或人群来解决此类局限。基于风格迁移的数据增强是一种新兴技术，可用于改善组织病理学图像机器学习模型的泛化能力。然而，现有的基于风格迁移的方法计算成本高，并且依赖于艺术风格，这会对模型精度产生负面影响。在本研究中，我们提出一种特征域风格混合技术，使用自适应实例归一化来生成图像的风格增强版本。我们将所提方法与现有的基于风格迁移的数据增强方法进行比较，发现尽管所需计算量和时间更少，其性能相当或更好。我们的结果展示了特征域统计量混合在组织病理学图像分析学习模型泛化中的潜力。