用于组织病理图像分割的Transformer模型鲁棒训练的切换辅助损失
图像与视频处理
2024-08-15 v2 计算机视觉与模式识别
摘要
功能组织单元（FTUs）是特定器官局部执行其主要功能的细胞群体邻域。FTUs通过在细胞水平提供信息，为病理学家理解影响特定器官的疾病提供关键信息。在我们的研究中，我们利用“HuBMAP + HPA - Hacking the Human Body”竞赛数据集，开发了一个跨5个器官（即肾脏、大肠、肺、前列腺和脾脏）分割多器官FTUs的模型。我们提出添加切换辅助损失来训练如transformers之类的模型，以克服梯度消失问题，该问题对深度模型的最优训练构成挑战。总体而言，我们的模型在公共数据集上达到了0.793的dice分数，在私有数据集上达到了0.778。结果支持了所提出训练方法的鲁棒性。这些发现也支持了transformer模型在医学图像分析领域密集预测任务中的使用。该研究有助于理解细胞与组织组织之间的关系，从而提供一个有用的媒介来观察细胞功能对人体健康的影响。
引用
@article{arxiv.2308.10994,
title = {Switched auxiliary loss for robust training of transformer models for histopathological image segmentation},
author = {Mustaffa Hussain and Saharsh Barve},
journal= {arXiv preprint arXiv:2308.10994},
year = {2024}
}