面向异质性感知域自适应核分割的子分区泛化学习
计算机视觉与模式识别
2024-01-23 v2
摘要
标注稀缺和跨模态/染色数据分布偏移是阻碍深度学习模型应用于核分析的两大障碍，而核分析在数字病理学中具有广泛潜在应用。近年来，无监督域适应（UDA）方法被提出以缓解不同成像模态之间的分布差距，用于组织病理学图像中的无监督核分割。然而，现有UDA方法建立在每个域内数据分布应均匀的假设之上。基于这种过度简化的假设，它们提出将组织病理学目标域与源域整体对齐，忽略了由混合癌症类型和采样器官引起的子分区内严重的域内差异。本文首次明确提出考虑组织病理学域内的异质性，并引入开放复合域适应（OCDA）来解决这一难题。具体而言，提出了一种两阶段解耦框架，以在图像和实例级别获取域不变特征表示。整体设计解决了现有OCDA方法难以捕捉实例级变化的局限性。本文专门设计了两种正则化策略，以利用组织病理学图像中丰富的子分区特定特征并促进子域分解。此外，我们提出了一种双分支核形状与结构保持模块，以防止合成图像中的核过度生成和变形。在跨模态和跨染色场景下多个不同数据集上的实验结果表明，我们的方法优于最先进的UDA和OCDA方法。
引用
@article{arxiv.2401.09496,
title = {Learning to Generalize over Subpartitions for Heterogeneity-aware Domain Adaptive Nuclei Segmentation},
author = {Jianan Fan and Dongnan Liu and Hang Chang and Weidong Cai},
journal= {arXiv preprint arXiv:2401.09496},
year = {2024}
}