数字病理学中与医院无关的图像表示学习
图像与视频处理
2022-04-07 v1 人工智能
计算机视觉与模式识别
摘要
数字病理中的全切片图像(WSIs)被用于诊断癌症亚型。不同试验站点获取 WSIs 的流程差异导致了组织病理学图像的可变性,从而使得一致性诊断具有挑战性。这些差异可能源于多厂商扫描仪的图像采集可变性、可变的采集参数以及染色流程的差异;此外,在图像采集前患者人口统计学特征可能使玻璃切片批次产生偏倚。这些可变性被假定为导致不同医院图像中的域偏移。克服这种域偏移至关重要,因为一个理想的机器学习模型必须能够在多样的图像来源上工作,且与采集中心无关。本研究利用域泛化技术来提升深度神经网络(DNN)在存在域偏移时,对未见过的组织病理学图像集(即来自未见过的医院/试验站点)的泛化能力。根据实验结果,传统的监督学习机制对从不同医院收集的数据泛化较差。然而,所提出的与医院无关的学习方法,考虑到低维潜在空间表示可视化以及分类准确率结果,能够改善泛化能力。
引用
@article{arxiv.2204.02404,
title = {Hospital-Agnostic Image Representation Learning in Digital Pathology},
author = {Milad Sikaroudi and Shahryar Rahnamayan and H. R. Tizhoosh},
journal= {arXiv preprint arXiv:2204.02404},
year = {2022}
}
备注
Accepted for presentation at the 44th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC'22)