计算病理学的无监督潜在 stain 适应
图像与视频处理
2024-07-04 v2 计算机视觉与模式识别
摘要
在计算病理学中，针对分割或组织分类等任务的深度学习 (DL) 模型因染色技术的不同而受到域漂移的影响。 stain 适应旨在通过在源 stain 上训练模型来减少不同 stain 之间的泛化误差。尽管目标 stain 数据丰富，但标注稀缺是关键挑战。为此，我们提出一种基于人工标注和无标签数据联合训练的方法——称为无监督潜在 stain 适应 (Unsupervised Latent Stain Adaptation, ULSA)。该方法利用 stain 转换技术丰富带标签的源图像，以合成目标图像，从而增加监督信号。此外，我们利用 stain 不变特征一致性学习来利用无标签目标 stain 图像。通过 ULSA，我们提出了一种无需访问带标签目标 stain 数据的半监督式 stain 适应策略。值得注意的是，ULSA 在整块组织切片图像 (WSIs) 的 patch 级别分析中具有任务无关性。通过在外部数据集上进行广泛评估，我们展示了 ULSA 在肾脏组织分割和乳腺癌分类中，实现了在多种染色变体下的领先 (SOTA) 性能。我们的发现表明，ULSA 是计算病理学中 stain 适应的重要框架。
引用
@article{arxiv.2406.19081,
title = {Unsupervised Latent Stain Adaptation for Computational Pathology},
author = {Daniel Reisenbüchler and Lucas Luttner and Nadine S. Schaadt and Friedrich Feuerhake and Dorit Merhof},
journal= {arXiv preprint arXiv:2406.19081},
year = {2024}
}
备注
Accepted MICCAI2024