旋转不变性与广泛数据增强：有丝分裂域泛化（MIDOG）挑战赛的一种策略
计算机视觉与模式识别
2021-09-28 v2
摘要
在组织病理学图像中自动检测有丝分裂象是一项具有挑战性的任务：在此，我们呈现了描述我们为参与 MIDOG 2021 竞赛所应用策略的不同步骤。该竞赛的目的是在使用来自有限的一组四个独立源扫描仪的训练数据的约束下，评估解决方案对使用未见目标扫描仪（对参与者隐藏）获取图像的泛化能力。鉴于此目标和约束，我们通过提出一种基于最先进深度学习方法组合的直截了当的解决方案加入挑战赛，旨在在推理时产生对可能的扫描仪相关分布偏移的鲁棒性。我们的解决方案结合了先前被证明对有丝分裂检测有效的方法：难负样本挖掘、广泛数据增强、旋转不变卷积网络。我们使用所提供数据集的不同划分训练了五个模型。随后的分类器在测试划分上产生的 F1 分数均值和标准差为 0.747±0.032。所得的集成构成了我们的候选算法：其在挑战赛初步测试集上的自动评估返回了 0.6828 的 F1 分数。
引用
@article{arxiv.2109.00823,
title = {Rotation Invariance and Extensive Data Augmentation: a strategy for the Mitosis Domain Generalization (MIDOG) Challenge},
author = {Maxime W. Lafarge and Viktor H. Koelzer},
journal= {arXiv preprint arXiv:2109.00823},
year = {2021}
}