用于改进宫颈组织病理学图像分类的合成增强与基于特征的过滤
图像与视频处理
2019-07-26 v1 计算机视觉与模式识别
摘要
组织病理学图像的宫颈上皮内瘤变（CIN）分级是宫颈活检结果中的关键指标。对上皮区域进行准确的 CIN 分级有助于病理医生进行癌前病变诊断与治疗规划。尽管人们一直期望拥有自动化的 CIN 分级系统，但此类系统的监督训练需要大量专家标注，而收集这些标注昂贵且耗时。本文研究分割后上皮区块上的 CIN 分级分类问题。我们提出使用条件生成对抗网络（cGANs）通过合成逼真的宫颈组织病理学图像来扩充有限的训练数据集。尽管合成图像在视觉上颇具吸引力，但它们未必包含用于数据增强的有意义特征。为解决此问题，我们提出一种基于生成图像与各类别质心在特征空间中散度的合成图像过滤机制，以控制所选合成图像用于数据增强的特征质量。我们的模型在一个仅含少量区块级 CIN 分级标注的宫颈组织病理学图像数据集上进行了评估。大量实验结果表明，在使用相同的 ResNet18 基线分类器并借助我们经基于特征过滤的 cGAN 生成图像后，分类准确率从 66.3% 显著提升至 71.7%，证明了我们模型的有效性。
引用
@article{arxiv.1907.10655,
title = {Synthetic Augmentation and Feature-based Filtering for Improved Cervical Histopathology Image Classification},
author = {Yuan Xue and Qianying Zhou and Jiarong Ye and L. Rodney Long and Sameer Antani and Carl Cornwell and Zhiyun Xue and Xiaolei Huang},
journal= {arXiv preprint arXiv:1907.10655},
year = {2019}
}
备注
MICCAI 2019