基于生成式潜变量搜索的白细胞分类无目标域适应方法
计算机视觉与模式识别
2020-07-15 v2 图像与视频处理
摘要
对相机获取的白细胞（WBCs）及相关细胞亚型的显微图像进行分类的自动化已变得重要，因其有助于繁琐的人工审查与诊断过程。若干基于深度卷积神经网络开发的当前最优（SOTA）方法存在域偏移问题——当在不同于训练（源）环境的设置下获取的数据（目标）上测试时，性能严重下降。目标数据的变化可能由相机/显微镜类型、镜头、光照条件等差异引起。该问题可潜在地通过无监督域适应（UDA）技术解决，尽管标准算法假定存在足够量的无标签目标数据，而医学图像并非总是如此。本文提出一种无需目标数据的 UDA 方法。给定来自目标数据的一张测试图像，我们从源数据中获取其“最接近克隆”作为分类器中的代理。我们证明了在可从源分布采样无限数据点的情况下此类克隆的存在性。我们提出一种方法，其中基于变分推断的潜变量生成模型用于通过潜空间中的优化过程同时从源分布采样并找到“最接近克隆”。我们在多种设置下使用不同成像模态捕获的数据集上，展示了所提方法相对于若干 SOTA UDA 方法在白细胞分类上的有效性。
引用
@article{arxiv.2005.05432,
title = {Target-Independent Domain Adaptation for WBC Classification using Generative Latent Search},
author = {Prashant Pandey and Prathosh AP and Vinay Kyatham and Deepak Mishra and Tathagato Rai Dastidar},
journal= {arXiv preprint arXiv:2005.05432},
year = {2020}
}
备注
IEEE TMI 2020