基于领域泛化与稳定稀疏嵌入签名的放大倍率不变图像分类
计算机视觉与模式识别
2026-04-29 v1 机器学习
摘要
放大倍率偏移是稳健的组织病理学分类的主要障碍，因为在一个成像尺度上训练的模型通常很难泛化到另一个尺度。在此，我们在 BreaKHis 数据集上使用严格的患者不重叠留一放大倍率协议评估了这一问题，比较了有监督基线、使用 DCGAN 生成补丁增强的基线，以及旨在保留判别信息同时抑制放大倍率特定变化的梯度反转领域泛化模型。在留出的放大倍率上，领域泛化模型实现了最强的整体判别力，并且在留出 200X 时观察到其最明显的增益。相比之下，GAN 增强产生了不一致的效果，改善了一些折但恶化了另一些，特别是在 400X 时。领域泛化模型还产生了最低的 Brier 分数 0.063，而基线为 0.089。稀疏嵌入分析进一步表明，领域泛化训练将平均签名大小减少了三倍以上（306 维对 1,074 维），同时保持了等效的预测性能（AUC：0.967 对 0.965；F1：0.930 对 0.931）。它还将跨折签名可重复性从基线中的近零 Jaccard 重叠提高到 100X 和 200X 折之间的 0.99。这些发现表明，无需增加架构复杂性即可学习经过校准、紧凑且可迁移的表示，这对在异构采集环境中可靠部署计算病理学模型具有明确的意义。
引用
@article{arxiv.2604.25817,
title = {Magnification-Invariant Image Classification via Domain Generalization and Stable Sparse Embedding Signatures},
author = {Ifeanyi Ezuma and Olusiji Medaiyese},
journal= {arXiv preprint arXiv:2604.25817},
year = {2026}
}
备注
12 pages, 7 figures, 3 tables. Preprint manuscript