用于组织病理学图像分割的尺度等变 UNet
计算机视觉与模式识别
2023-04-11 v1
摘要
数字组织病理学切片在不同放大倍率下被扫描和查看，并作为不同分辨率的图像存储。在此类给定尺度图像上训练的卷积神经网络（CNN）无法泛化到不同尺度的图像。这一缺陷通常通过用重新缩放的图像扩充训练数据来解决，使具有足够容量的模型能够学习所需的模式。或者，将 CNN 滤波器设计为尺度等变，可释放模型容量以学习判别性特征。本文中，我们基于尺度空间理论提出用于图像分割的尺度等变 UNet（SEUNet）。SEUNet 包含若干组滤波器，它们是高斯基滤波器的线性组合，其尺度参数可训练但被约束为在网络各层中跨越不相交的尺度。在细胞核分割数据集和组织类型分割数据集上的大量实验表明，我们的方法以少得多的可训练参数优于其他方法。
引用
@article{arxiv.2304.04595,
title = {Scale-Equivariant UNet for Histopathology Image Segmentation},
author = {Yilong Yang and Srinandan Dasmahapatra and Sasan Mahmoodi},
journal= {arXiv preprint arXiv:2304.04595},
year = {2023}
}
备注
This paper was accepted by GeoMedIA 2022