重新思考有丝分裂检测：面向多样化数据与特征表示
计算机视觉与模式识别
2023-07-13 v1
摘要
有丝分裂检测是计算病理学中的基本任务之一，由于有丝分裂细胞的异质性，该任务极具挑战性。当前大多数研究通过增加模型复杂度从技术层面解决异质性问题。然而，缺乏对生物学知识的考量以及复杂的模型设计可能导致过拟合问题，同时限制了检测模型的泛化能力。本文中，我们系统研究了不同有丝分裂阶段的形态学外观以及模糊的非有丝分裂细胞，并指出平衡数据与特征多样性可获得更好的泛化能力。基于该观察，我们提出了一种用于有丝分裂检测的新颖可泛化框架（MitDet）。所提出的数据多样性引导的样本平衡（DGSB）考虑了数据多样性。特征多样性则由类间与类内特征多样性保持模块（InCDP）来保留。染色增强（SE）模块被引入以同时增强数据和特征的域相关多样性。大量实验表明，我们提出的模型在多个流行的有丝分裂检测数据集的内部与外部测试集上均优于所有 SOTA 方法，且仅使用点标注的最小标注工作量。全面的消融研究也证明了重新思考数据与特征多样性平衡的有效性。通过定量与定性分析结果，我们相信所提模型不仅达到了 SOTA 性能，还可能为未来研究提供新视角的启发。源代码见 https://github.com/Onehour0108/MitDet。
引用
@article{arxiv.2307.05889,
title = {Rethinking Mitosis Detection: Towards Diverse Data and Feature Representation},
author = {Hao Wang and Jiatai Lin and Danyi Li and Jing Wang and Bingchao Zhao and Zhenwei Shi and Xipeng Pan and Huadeng Wang and Bingbing Li and Changhong Liang and Guoqiang Han and Li Liang and Chu Han and Zaiyi Liu},
journal= {arXiv preprint arXiv:2307.05889},
year = {2023}
}