细胞长宽比在深度学习中是否重要？面向多尺度细胞病理图像分类的深度学习方法的鲁棒比较：从卷积神经网络到视觉Transformer
计算机视觉与模式识别
2021-11-09 v4
摘要
宫颈癌是女性中非常常见且致命的癌症类型。细胞病理图像常用于该癌症的筛查。鉴于人工筛查过程中可能出现许多错误，基于深度学习的计算机辅助诊断系统已被开发出来。深度学习方法需要固定维度的输入图像，但临床医疗图像的尺寸并不一致。直接缩放图像时会损害其长宽比。临床上，细胞病理图像中细胞的长宽比为医生诊断癌症提供了重要信息。因此，难以直接缩放。然而，许多现有研究直接对图像进行缩放并获得了高度鲁棒的分类结果。为求得合理解释，我们进行了一系列对比实验。首先，对 SIPaKMeD 数据集的原始数据进行预处理以获得标准与缩放数据集。然后，将数据集缩放至 224 x 224 像素。最后，使用 22 个深度学习模型对标准与缩放数据集进行分类。研究结果表明，深度学习模型对宫颈细胞病理图像中细胞长宽比的变化具有鲁棒性。该结论也通过 Herlev 数据集得到验证。
引用
@article{arxiv.2105.07402,
title = {Is the aspect ratio of cells important in deep learning? A robust comparison of deep learning methods for multi-scale cytopathology cell image classification: from convolutional neural networks to visual transformers},
author = {Wanli Liu and Chen Li and Md Mamunur Rahamana and Tao Jiang and Hongzan Sun and Xiangchen Wu and Weiming Hu and Haoyuan Chen and Changhao Sun and Yudong Yao and Marcin Grzegorzek},
journal= {arXiv preprint arXiv:2105.07402},
year = {2021}
}