通过融合通道注意力与域对抗训练提升 CNN 分割的染色不变性
图像与视频处理
2023-04-25 v1 计算机视觉与模式识别
摘要
染色方案的可变性，例如不同的切片制备技术、化学试剂和扫描仪配置，会导致多种多样的全体切片图像（WSI）。这种分布偏移会对深度学习模型在未见样本上的性能产生负面影响，给开发新的计算病理学应用带来重大挑战。在本研究中，我们提出了一种在单源设定下提升卷积神经网络（CNNs）对语义分割中染色变化泛化能力的方法。近期研究表明，风格特征主要作为协方差存在于较早的网络层中。我们基于这些发现设计了一种通道注意力机制，用于检测染色特异性特征，并改进了先前提出的染色不变训练方案。我们对较早层的输出进行重加权，并将其传入染色对抗训练分支。我们在多中心、多染色数据集上评估了我们的方法，并通过可解释性分析证明了其有效性。如各种评价指标所示，我们的方法相较基线取得实质性改进，并与其他方法相比具有竞争力。我们还表明，将我们的方法与染色增强结合可产生互利结果，并优于其他技术。总体而言，我们的研究为计算病理学领域作出了重要贡献。
引用
@article{arxiv.2304.11445,
title = {Improving Stain Invariance of CNNs for Segmentation by Fusing Channel Attention and Domain-Adversarial Training},
author = {Kudaibergen Abutalip and Numan Saeed and Mustaqeem Khan and Abdulmotaleb El Saddik},
journal= {arXiv preprint arXiv:2304.11445},
year = {2023}
}