基于级联 Mask-RCNN 方法与领域特定残差 Cycle-GAN 数据增强的鲁棒有丝分裂检测
计算机视觉与模式识别
2021-09-30 v2
摘要
针对 MIDOG 有丝分裂检测挑战赛，我们创建了一种级联算法，由一个 Mask-RCNN 检测器和一个由 ResNet50 与 DenseNet201 组成的分类集成构成，用于精炼检测出的有丝分裂候选。MIDOG 训练数据包含来自四种扫描仪的 200 帧图像，其中三种标注了以质心标注的有丝分裂实例。我们的主要算法选择如下：首先，为增强检测器与分类网络的泛化能力，我们使用最先进的残差 Cycle-GAN 将每个扫描仪领域转换为其他每个扫描仪领域。训练时，我们为每张图像随机加载四个领域之一。如此，即便第四种无标注扫描仪领域没有标注，我们的网络也能从中学习。其次，训练检测器网络时，我们不使用基于质心的固定尺寸边界框，而是创建有丝分裂特定的边界框。具体做法为：手动标注少量有丝分裂样本，在此小数据集上训练 Mask-RCNN，并将其应用于其余数据以获得完整标注。后续分类集成仅使用挑战赛提供的正例与难负例训练。在初步测试集上，该算法取得 0.7578 的 F1 分数，使我们在排行榜上位列第二。
引用
@article{arxiv.2109.01878,
title = {Robust Mitosis Detection Using a Cascade Mask-RCNN Approach With Domain-Specific Residual Cycle-GAN Data Augmentation},
author = {Gauthier Roy and Jules Dedieu and Capucine Bertrand and Alireza Moshayedi and Ali Mammadov and Stéphanie Petit and Saima Ben Hadj and Rutger H. J. Fick},
journal= {arXiv preprint arXiv:2109.01878},
year = {2021}
}
备注
Gauthier Roy and Jules Dedieu contributed equally to this work