有丝分裂检测中由扫描仪引起的域间隙量化
计算机视觉与模式识别
2021-03-31 v1 机器学习
摘要
得益于现代基于深度学习的流程,组织病理学图像中有丝分裂象的自动检测取得了巨大进展。然而,这些方法在实际中的应用受到不同实验室间图像强变异性的限制。这导致图像的域偏移,从而引起模型性能下降。我们假设扫描仪设备在此效应中起决定性作用,并评估了标准有丝分裂检测方案对使用不同全玻片扫描仪所引入域偏移的敏感性。我们的工作基于 MICCAI-MIDOG 2021 挑战赛数据集,其包含 200 例人类乳腺癌肿瘤病例与四台扫描仪。我们的工作表明,迄今由生化变异性以外、纯粹由采集设备选择引起的域偏移被低估了。在同一扫描仪图像上训练的模型平均 F1 得分为 0.683,而仅在另一单一扫描仪上训练的模型平均 F1 得分仅为 0.325。在另一个多域有丝分裂数据集上训练得到的平均 F1 得分为 0.52。我们发现这并未反映在作为代理的 A 距离派生度量所测得的域偏移中。
引用
@article{arxiv.2103.16515,
title = {Quantifying the Scanner-Induced Domain Gap in Mitosis Detection},
author = {Marc Aubreville and Christof Bertram and Mitko Veta and Robert Klopfleisch and Nikolas Stathonikos and Katharina Breininger and Natalie ter Hoeve and Francesco Ciompi and Andreas Maier},
journal= {arXiv preprint arXiv:2103.16515},
year = {2021}
}
备注
3 pages, 1 figure, 1 table, submitted as short paper to MIDL