RandStainNA：通过桥接染色增强与归一化从组织学切片中学习染色不可知特征
计算机视觉与模式识别
2023-03-03 v1
摘要
染色差异往往会降低数字组织病理学分析中基于深度学习方法的可泛化能力。两项独立的方案，即染色归一化（SN）与染色增强（SA），已成为降低泛化误差的关注重点，前者利用模板图像缓解不同医疗中心间的染色偏移，后者通过模拟更多染色变化来丰富可获取的染色风格。然而，它们的应用受限于模板图像的选择与不真实风格的构建。为解决这些问题，我们以新颖的 RandStainNA 方案统一了 SN 与 SA，该方案将可变染色风格约束在可行范围内以训练染色不可知深度学习模型。RandStainNA 适用于一组颜色空间中的染色归一化，即 HED、HSV、LAB。此外，我们提出一种随机颜色空间选择方案以获得额外的性能提升。我们通过两项诊断任务（即组织亚型分类与细胞核分割），使用多种网络骨干来评估我们的方法。相对于 SA 与 SN 的性能优势表明，所提出的 RandStainNA 能持续提升泛化能力，我们的模型可应对更多具有不可预测染色风格的后续临床数据集。代码见 https://github.com/yiqings/RandStainNA。
引用
@article{arxiv.2206.12694,
title = {RandStainNA: Learning Stain-Agnostic Features from Histology Slides by Bridging Stain Augmentation and Normalization},
author = {Yiqing Shen and Yulin Luo and Dinggang Shen and Jing Ke},
journal= {arXiv preprint arXiv:2206.12694},
year = {2023}
}
备注
12 pages