Mix、Align、Distill：可靠的跨域异常染色体分类
计算机视觉与模式识别
2025-08-29 v1
摘要
异常形态染色体（AMFs）是重要的组织病理标志物，但在受扫描仪、染色剂和获取差异导致的 domain shift 下仍难以一致识别。我们提出了一种简单有效的训练策略，用于 MIDOG 2025 Task 2 中的跨域异常染色体分类。该方法（i）通过在早期和中期 backbone 阶段插入风格扰动来增加特征多样性，（ii）通过辅助对齐损失在不同 site 之间对注意力细化的特征进行对齐（Scanner、Origin、Species、Tumor），（iii）通过温度缩放的 KL 发散从指数移动平均（EMA）教师模型中蒸馏来稳定预测。在组织方运行的 preliminary leaderboard 上，我们的提交方案实现了平衡准确率 0.8762，灵敏度 0.8873，特异度 0.8651 和 ROC AUC 0.9499。该方法在推理阶段几乎没有额外开销，仅依赖粗糙的 domain 元数据，即可实现强劲且均衡的性能，为 MIDOG 2025 挑战赛的竞争性提交奠定了基础。
引用
@article{arxiv.2508.20745,
title = {Mix, Align, Distil: Reliable Cross-Domain Atypical Mitosis Classification},
author = {Kaustubh Atey and Sameer Anand Jha and Gouranga Bala and Amit Sethi},
journal= {arXiv preprint arXiv:2508.20745},
year = {2025}
}