量化数据增强与染色颜色归一化在 computational pathology 卷积神经网络中的影响
计算机视觉与模式识别
2020-04-16 v2
摘要
染色差异是指不同病理实验室对组织切片进行染色时呈现相似但不完全一致的颜色外观的现象。由于实验室之间的这种颜色偏移，使用某一实验室图像训练的卷积神经网络（CNN）在另一实验室的未见图像上往往表现不佳。已有多种技术被提出以降低泛化误差，主要归为两类：染色颜色增强与染色颜色归一化。前者在训练期间模拟多种真实的染色变化，从而产生染色不变的 CNN；后者旨在匹配训练与测试的颜色分布以减少染色差异。我们首次比较了其中部分技术，并利用来自 4 个器官和 9 个病理实验室的苏木精-伊红组织病理学图像的异质数据集，量化了它们对 CNN 分类性能的影响。此外，我们提出了一种新颖的无监督方法，利用神经网络进行染色颜色归一化。基于实验结果，我们就未来 computational pathology 应用中如何使用染色颜色增强与染色颜色归一化提供了实用指南。
引用
@article{arxiv.1902.06543,
title = {Quantifying the effects of data augmentation and stain color normalization in convolutional neural networks for computational pathology},
author = {David Tellez and Geert Litjens and Peter Bandi and Wouter Bulten and John-Melle Bokhorst and Francesco Ciompi and Jeroen van der Laak},
journal= {arXiv preprint arXiv:1902.06543},
year = {2020}
}
备注
Accepted in the Medical Image Analysis journal