用于监督式淋巴结结肠腺癌转移检测的原发肿瘤与跨器官数据增强
图像与视频处理
2021-09-21 v1 计算机视觉与模式识别
机器学习
摘要
标注数据的稀缺是开发准确且鲁棒的组织病理学深度学习模型的主要瓶颈。该问题在淋巴结转移检测任务中尤为突出，因为该组织肿瘤与非肿瘤比例低，导致病理医生的标注过程耗时费力。本工作探讨了在目标域表示有限或无表示的情况下，如何增强结肠癌转移检测训练数据的替代方案。通过对有限训练数据下的交叉验证实验进行详尽研究，我们评估了利用其他组织已有数据的跨器官方法，以及利用原发肿瘤的器官内方法。这两种方法几乎不带来额外的标注负担。我们的结果表明，这些数据增强策略可有效提升转移检测的准确性，但首要的是提升了鲁棒性。
引用
@article{arxiv.2109.09518,
title = {Primary Tumor and Inter-Organ Augmentations for Supervised Lymph Node Colon Adenocarcinoma Metastasis Detection},
author = {Apostolia Tsirikoglou and Karin Stacke and Gabriel Eilertsen and Jonas Unger},
journal= {arXiv preprint arXiv:2109.09518},
year = {2021}
}
备注
International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2021