面向开放集组织病理图像识别的测试时变换预测
计算机视觉与模式识别
2022-06-28 v2
摘要
全切片组织学图像中的组织类型标注是一项复杂且繁琐但对计算病理学模型开发必不可少的任务。我们提出通过将开放集识别（Open Set Recognition）技术应用于如下任务来解决该问题：联合分类属于一组已标注类别（例如临床相关组织类别）的组织，同时在测试时拒绝开放集样本，即属于训练集中未出现类别的图像。为此，我们引入一种基于开放集组织病理图像识别的新方法，其训练模型以准确识别图像类别并同时预测所应用的数据增强变换。在测试时，我们度量模型预测该变换的置信度，预期开放集中的图像此置信度较低。我们在结直肠癌组织学图像评估背景下进行了全面实验，证明了我们的方法在自动识别未知类别样本方面的优势。代码发布于 https://github.com/agaldran/t3po 。
引用
@article{arxiv.2206.10033,
title = {Test Time Transform Prediction for Open Set Histopathological Image Recognition},
author = {Adrian Galdran and Katherine J. Hewitt and Narmin L. Ghaffari and Jakob N. Kather and Gustavo Carneiro and Miguel A. González Ballester},
journal= {arXiv preprint arXiv:2206.10033},
year = {2022}
}
备注
Accepted to MICCAI 2022