StyPath：用于鲁棒组织学图像分类的风格迁移数据增强
计算机视觉与模式识别
2020-07-13 v1 图像与视频处理
摘要
肾移植中抗体介导的排斥反应（AMR）分类即使对经验丰富的肾脏病理学家而言仍具挑战性；这部分是因为组织学组织染色分析常表现为较低的观察者间一致性与较差的可重复性。观察者间分歧的一个归因原因是病理实验室之间（及内部）组织染色质量的变异性，以及档案切片的逐渐褪色。染色颜色与强度的变化会使病理学家难以评估组织，最终影响其描述相关形态学特征的能力。能够基于肾脏组织学图像准确预测AMR状态对于改善患者治疗与护理至关重要。我们提出了一种基于StyPath构建鲁棒深度神经网络用于AMR分类的新流程，StyPath是一种利用轻量级风格迁移算法以减少样本特异性偏差的组织学数据增强技术。每张图像使用单块GTX TITAN V gpu与pytorch在1.84 ± 0.03秒内生成，使其快于其他流行的组织学数据增强技术。我们使用蒙特卡洛（MC）贝叶斯性能估计评估我们的模型，并生成认知不确定性度量以比较基线模型与StyPath增强模型。我们还生成了结果的Grad-CAM表示，由经验丰富的肾脏病理学家评估；我们利用该定性分析阐明各模型所依据的假设。我们的结果表明，我们的风格迁移增强技术提升了组织学分类性能（误差从14.8%降至11.5%）与泛化能力。
引用
@article{arxiv.2007.05008,
title = {StyPath: Style-Transfer Data Augmentation For Robust Histology Image Classification},
author = {Pietro Antonio Cicalese and Aryan Mobiny and Pengyu Yuan and Jan Becker and Chandra Mohan and Hien Van Nguyen},
journal= {arXiv preprint arXiv:2007.05008},
year = {2020}
}