合成域定向增强（S-DOTA）改善数字病理中模型泛化
计算机视觉与模式识别
2023-08-02 v1 机器学习
摘要
机器学习算法有潜力改善数字病理中的患者预后。然而，这些工具的泛化目前受限于对组织制备、染色流程与扫描设备变化的敏感性，其导致数字化切片中的域偏移。为克服该限制并改善模型泛化，我们研究了两种合成域定向增强（S-DOTA）方法的有效性，即CycleGAN赋能的扫描仪变换（ST）与定向染色矢量增强（SVA），并将其与国际色彩联盟（ICC）配置文件基色校准（ICC Cal）方法及使用传统亮度、颜色与噪声增强的基线方法比较。我们评估这些技术改善模型对多任务与设置泛化的能力：四种模型、两类模型类型（组织分割与细胞分类）、两种损失函数、六间实验室、六台扫描仪与三种适应症（肝细胞癌（HCC）、非酒精性脂肪性肝炎（NASH）、前列腺腺癌）。我们基于跨多域的分布内（ID）与分布外（OOD）测试集宏平均F1分数比较这些方法，发现S-DOTA方法（即ST与SVA）在OOD数据上较ICC Cal与基线显著提升，同时于ID数据上保持可比性能。因而，我们展示S-DOTA可助解决真实世界应用中域偏移所致的泛化问题。
引用
@article{arxiv.2305.02401,
title = {Synthetic DOmain-Targeted Augmentation (S-DOTA) Improves Model Generalization in Digital Pathology},
author = {Sai Chowdary Gullapally and Yibo Zhang and Nitin Kumar Mittal and Deeksha Kartik and Sandhya Srinivasan and Kevin Rose and Daniel Shenker and Dinkar Juyal and Harshith Padigela and Raymond Biju and Victor Minden and Chirag Maheshwari and Marc Thibault and Zvi Goldstein and Luke Novak and Nidhi Chandra and Justin Lee and Aaditya Prakash and Chintan Shah and John Abel and Darren Fahy and Amaro Taylor-Weiner and Anand Sampat},
journal= {arXiv preprint arXiv:2305.02401},
year = {2023}
}