无监督域适应核细分:从血素和素染色幻灯片适应免疫组织化学染色幻灯片使用课程方法
Shidan Wang1, Ruichen Rong1, Zifan Gu1
1Quantitative Biomedical Research Center, Peter O'Donnell Jr. School of Public Health, University of Texas Southwestern Medical Center, Dallas, TX 75390, USA.
Computer methods and programs in biomedicine
|August 24, 2023
概括
本研究介绍了在多类实例细分中进行无监督域适应的实例细分周期GAN (ISC-GAN). 在病理学图像中,ISC-GAN有效地将不同染色方法之间的知识转移,提高准确性并减少注释需求.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 数字病理学数字病理学
背景情况:
- 无监督域调整 (UDA) 解决了实例细分中的域差异.
- 现有的UDA方法将实例组合在一起,通过忽视类别差异来阻碍准确的分类.
- 这种限制影响了学习源域和目标域之间的分类对应.
研究的目的:
- 提出一种新的算法,即实例分割周期GAN (ISC-GAN),用于UDA多类实例分割.
- 通过学习分类对应来实现准确的实例分类.
- 为了减少在实例分割任务中需要广泛的像素级注释.
主要方法:
- 将CycleGAN与Mask R-CNN融合在一起,用于图像级域调整和虚拟监控.
- 实施课程 学习将细分学习分成两个不同的阶段.
- 使用诸如共享权重,知识蒸和扩展源数据等策略来提高性能.
主要成果:
- 在多类核的识别方面,ISC-GAN实现了最先进的性能.
- 与基线和现有的UDA模型相比,表现出优异的结果,平均精度为39.1%,平均回忆率为48.7%.
- 成功地将知识从血素和素转移到免疫组织化学染色图像.
结论:
- 在病理学中,ISC-GAN有效地适应了不同染色技术的知识.
- 拟议的方法显示了显著的潜力,以减少对大型注释数据集的依赖,以实现计算机视觉中的深度学习.
- 促进计算机视觉模型在医学成像中的更有效的开发.
