基于DenseNet121的鲁棒异常细胞分类：面向域泛化的 stain-感知数据增强与混合损失
计算机视觉与模式识别
2025-11-04 v2
摘要
异常细胞是组织病理学中肿瘤侵袭性的重要标志，但由于严重的类别不平衡和跨影像域的变异性，可靠的识别仍具挑战性。我们提出一种基于DenseNet-121的框架，针对MIDOG 2025（Track 2）赛题中的异常细胞分类进行优化。该方法集成stain-感知数据增强（Macenko方法）、几何和强度变换，并通过加权抽样实现不平衡感知学习，采用结合类别加权二元交叉熵和focal loss的混合目标函数。模型在AdamW下端到端训练，并在多个独立域上进行评估，在扫描仪和染色变化下的泛化能力显著提升。在官方测试集上，模型实现了85.0%的平衡准确率、AUROC 0.927、灵敏度 89.2%和特异度 80.9%。这些结果表明，DenseNet-121与stain-感知数据增强和不平衡适应目标函数组合，能够构建用于实际计算病理学工作流程的鲁棒、域泛化异常细胞分类框架。
引用
@article{arxiv.2510.22630,
title = {Robust Atypical Mitosis Classification with DenseNet121: Stain-Aware Augmentation and Hybrid Loss for Domain Generalization},
author = {Adinath Dukre and Ankan Deria and Yutong Xie and Imran Razzak},
journal= {arXiv preprint arXiv:2510.22630},
year = {2025}
}
备注
MIDOG 2025 MICCAI Workshop accepted