利用 HistoGAN 进行选择性合成增强以改善组织病理学图像分类
图像与视频处理
2021-11-15 v1 计算机视觉与模式识别
摘要
组织病理学分析是当前癌前病变诊断的金标准。从数字图像进行自动化组织病理学分类的目标需要监督训练，而这需要大量专家标注，收集起来昂贵且耗时。同时，对全切片图像裁剪出的图像块进行准确分类，对于基于标准滑动窗口的组织病理学切片分类方法至关重要。为缓解这些问题，我们提出了一种精心设计的条件下生成对抗网络模型，即 HistoGAN，用于基于类别标签合成逼真的组织病理学图像块。我们还研究了一种新颖的合成增强框架，该框架有选择地添加由所提 HistoGAN 生成的新合成图像块，而非直接用合成图像扩展训练集。通过基于分配标签的置信度及其与真实标注图像的特征相似性来选择合成图像，我们的框架为合成增强提供了质量保证。我们的模型在两个数据集上评估：一个标注有限的宫颈组织病理学图像数据集，以及另一个含转移癌的淋巴结组织病理学图像数据集。在此我们表明，利用 HistoGAN 生成图像并结合选择性增强，可显著提升分类性能（宫颈组织病理学和转移癌数据集分别提高 6.7% 和 2.8% 准确率）。
引用
@article{arxiv.2111.06399,
title = {Selective Synthetic Augmentation with HistoGAN for Improved Histopathology Image Classification},
author = {Yuan Xue and Jiarong Ye and Qianying Zhou and Rodney Long and Sameer Antani and Zhiyun Xue and Carl Cornwell and Richard Zaino and Keith Cheng and Xiaolei Huang},
journal= {arXiv preprint arXiv:2111.06399},
year = {2021}
}
备注
Elsevier Medical Image Analysis Best Paper Award runner up. arXiv admin note: substantial text overlap with arXiv:1912.03837