细胞核分割与分类：关于颜色与压缩的泛化能力
图像与视频处理
2023-01-10 v1 计算机视觉与模式识别
机器学习
摘要
自数字与计算病理学作为一门学科引入以来，算法在临床应用中的主要问题之一便是难以很好地泛化到训练数据分布之外的样本。现有针对此问题在病理图像与自然图像上的工作几乎 exclusively 集中于分类任务。我们探索并评估了迄今该问题最大计算病理学挑战赛 CoNIC challenge 中性能最佳的 7 个细胞核分割与分类模型对此的鲁棒性。我们证明现有最先进（SoTA）模型对压缩伪影具有鲁棒性，但在经历颜色域偏移时性能显著下降。我们发现使用染色归一化来解决域偏移问题可能损害模型性能。另一方面，神经风格迁移在面临实际场景中较大颜色变化时更能稳定地提升测试性能。
引用
@article{arxiv.2301.03418,
title = {Nuclear Segmentation and Classification: On Color & Compression Generalization},
author = {Quoc Dang Vu and Robert Jewsbury and Simon Graham and Mostafa Jahanifar and Shan E Ahmed Raza and Fayyaz Minhas and Abhir Bhalerao and Nasir Rajpoot},
journal= {arXiv preprint arXiv:2301.03418},
year = {2023}
}
备注
Oral presentation at MICCAI MLMI 2022, 7 pages, 6 figures