MaNi：基于互信息最大化的细胞核跨域无监督分割
计算机视觉与模式识别
2022-06-30 v1
摘要
在这项工作中，我们提出了一种基于互信息（MI）的无监督域适应（UDA）方法，用于跨域细胞核分割。不同癌症类型的细胞核在结构和外观上存在显著差异，导致深度学习模型在一种癌症类型上训练并在另一种上测试时性能下降。由于准确的细胞核分割与量化是患者诊断/预后的重要组织病理学任务，且为新癌症类型在像素级标注细胞核需要医学专家的大量工作，这种域偏移变得尤为关键。为解决该问题，我们最大化带标签的源癌症类型数据与无标签的目标癌症类型数据之间的互信息，以跨域迁移细胞核分割知识。我们使用 Jensen-Shanon 散度界，仅需每对正样本对应一个负样本即可进行互信息最大化。我们在多个建模框架及包含超过 20 种癌症类型域偏移的不同数据集上评估了我们的设置，并展示了具有竞争力的性能。最近提出的方法均包含多个用于改进域适应的组件，而我们提出的模块轻量且可轻松集成到其他方法中（实现：https://github.com/YashSharma/MaNi）。
引用
@article{arxiv.2206.14437,
title = {MaNi: Maximizing Mutual Information for Nuclei Cross-Domain Unsupervised Segmentation},
author = {Yash Sharma and Sana Syed and Donald E. Brown},
journal= {arXiv preprint arXiv:2206.14437},
year = {2022}
}
备注
Accepted at MICCAI 2022