面向组织学图像的弱监督目标局部化模型的源自域适应

随着深度学习的兴起，数字病理学因组织学图像在基于癌症诊断方面而受到关注。深度弱监督目标局部化（WSOL）模型可用于根据癌症分级对组织学图像进行分类，并识别感兴趣区域（ROI）以进行解释，这些模型使用不昂贵的全局图像类别标注。经过一些标记源图像数据训练的 WSOL 模型可在由染色、扫描仪和癌症类型引起的显著域迁移情况下，使用未标记的目标数据进行适应。在本文中，我们关注源自（无监督）域适应（SFDA），这是一项具有挑战性的问题，因为预训练的源模型需在不使用任何源域数据的情况下适应到新的目标域，以出于隐私和效率原因。在组织学中，SFDA 面临若干挑战，最显著的是 WSOL 模型不旨在同时适应分类和局部化任务。在本文中，我们比较了 4 种代表主要 SFDA 家族的 SOTA SFDA 方法，用于 WSOL 的分类和局部化精度。它们分别是 SFDA-Distribution Estimation、Source Hypothesis Transfer、Cross-Domain Contrastive Learning 和 Adaptively Domain Statistics Alignment。在较具挑战性的 Glas（较小，乳腺癌）和 Camelyon16（较大，结肠癌）组织学数据集上，实验结果表明，这些 SFDA 方法在针对分类优化时，通常在适应后表现不佳，尤其是对于局部化。