不完美标注对数字病理学中用于实例分割和分类的CNN训练与性能的影响
计算机视觉与模式识别
2024-10-21 v1
摘要
在数字病理学中，对大量实例（如细胞核）进行分割和分类是准确诊断的关键任务。然而，由于标注过程的复杂性，用于深度学习方法的优质数据集的可用性常常受限。在这项工作中，我们研究了噪声标注对用于组织病理学图像中细胞核检测、分割和分类联合任务的最先进CNN模型的训练和性能的影响。在此背景下，我们研究了确定适当训练轮次以防止在训练期间过拟合到标注噪声的条件。我们的结果表明，使用一个小的、正确标注的验证集对于避免过拟合并在很大程度上保持模型性能至关重要。此外，我们的发现强调了预训练的有益作用。
引用
@article{arxiv.2410.14365,
title = {Impact of imperfect annotations on CNN training and performance for instance segmentation and classification in digital pathology},
author = {Laura Gálvez Jiménez and Christine Decaestecker},
journal= {arXiv preprint arXiv:2410.14365},
year = {2024}
}