面向血液细胞形态学中鲁棒单细胞分类的不平衡域泛化
计算机视觉与模式识别
2023-04-19 v3
摘要
白细胞（WBCs）的准确形态学分类是诊断白血病的重要步骤，该疾病中无功能原始细胞在骨髓中累积。近来，深度卷积神经网络（CNNs）已成功通过在特定域的单细胞图像上训练来对白细胞进行分类。大多数CNN模型假设训练与测试数据分布相似，即数据独立同分布。因此，它们对不同染色流程、放大倍数、分辨率、扫描仪或成像协议，以及临床中心或患者队列的差异不具备鲁棒性。此外，域特定的数据不平衡会影响分类器的泛化性能。在此，我们通过应对跨域数据不平衡与域偏移，训练了一个鲁棒的WBC分类CNN。为此，我们使用两种损失函数并证明其在分布外（OOD）泛化中的有效性。相较其他现有方法，我们的方法取得了最佳的F1宏平均分数，并能够兼顾罕见细胞类型。这是血液细胞形态学中不平衡域泛化的首次展示，为实验室与临床中鲁棒单细胞分类方法的应用铺平了道路。
引用
@article{arxiv.2303.07771,
title = {Imbalanced Domain Generalization for Robust Single Cell Classification in Hematological Cytomorphology},
author = {Rao Muhammad Umer and Armin Gruber and Sayedali Shetab Boushehri and Christian Metak and Carsten Marr},
journal= {arXiv preprint arXiv:2303.07771},
year = {2023}
}
备注
Published at ICLR 2023 Workshop on Domain Generalization