通过非确定性训练时与确定性测试时染色归一化提升基于深度学习的细胞核实例分割的泛化能力
图像与视频处理
2024-01-10 v2 计算机视觉与模式识别
摘要
随着能够自动扫描并保存全切片组织学图像的数字病理学和显微系统的出现，使用计算机化方法分析所获取图像的趋势日益增长。在不同的组织病理学图像分析任务中，细胞核实例分割在广泛的临床和科研应用中起着基础性作用。尽管已提出许多半自动和全自动计算机化方法用于细胞核实例分割，但基于深度学习（DL）的方法已被证明具有最佳性能。然而，此类方法在未见数据集上测试时性能通常会下降。在这项工作中，我们提出一种新方法以提升基于 DL 的自动分割方法的泛化能力。除采用最先进（state-of-the-art）的基于 DL 的模型之一作为基线外，我们的方法结合了非确定性训练时与确定性测试时染色归一化，以及集成（ensembling）以提升分割性能。我们使用单一训练集训练模型，并在七个测试数据集上评估其分割性能。我们的结果表明，与基线分割模型相比，所提方法在基于 Dice 分数、聚合 Jaccard 指数和全景质量分数（panoptic quality score）的细胞核分割上分别提供了高达 4.9%、5.4% 和 5.9% 的更好平均性能。
引用
@article{arxiv.2309.06143,
title = {Improving Generalization Capability of Deep Learning-Based Nuclei Instance Segmentation by Non-deterministic Train Time and Deterministic Test Time Stain Normalization},
author = {Amirreza Mahbod and Georg Dorffner and Isabella Ellinger and Ramona Woitek and Sepideh Hatamikia},
journal= {arXiv preprint arXiv:2309.06143},
year = {2024}
}
备注
Accepted at Computational and Structural Biotechnology Journal