用于数字病理学的旋转等变卷积神经网络

基于组织病理学图像在旋转和反射下具有固有对称性的观察，我们提出了一种用于数字病理学分割的新模型。利用关于旋转等变卷积神经网络的最新发现，所提出的模型以有原则的方式利用了这些对称性。我们提出了一项视觉分析，展示了对预测稳定性的改善，并证明在具有挑战性的淋巴结转移数据集上，利用旋转等变性显著提高了肿瘤检测性能。我们进一步提出了一个新的衍生数据集，结合初始基准，以实现机器学习模型的有原则比较。通过该数据集，组织病理学诊断任务成为基础机器学习研究中一个具有挑战性的基准测试。