自动数据增强以改善H&E深度学习的泛化,染色了他的病理学
Khrystyna Faryna1, Jeroen van der Laak2, Geert Litjens1
1Department of Pathology, Radboud Institute for Health Sciences, Radboud University Medical Center, Geert Grooteplein Zuid 10, 6525 GA, Nijmegen, The Netherlands.
Computers in biology and medicine
|January 28, 2024
概括
自动数据增强搜索提高了计算病理学模型的概括性. 这种方法减少了优化时间,并且与手动方法相匹配或超过了诸如瘤转移检测和乳腺癌分类等任务.
科学领域:
- 计算病理学计算病理学
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习是机器学习.
背景情况:
- 跨中心的组织病理学图像变化挑战了深度学习模型.
- 用于域概括的手动数据增强是耗时且不理想的.
研究的目的:
- 调查自动化数据增强,以改善组织病理学领域的泛化.
- 为了比较自动化方法与手动增强,并减少实验时间.
主要方法:
- 从计算机视觉中选择了四种最先进的自动增强技术.
- 评估了来自25个中心的组织病理学数据的方法,用于两个任务:转移检测和组织分类.
- 使用超级学习框架进行超参数优化.
主要成果:
- 自动增强方法的性能与手动增强用于转移检测的性能相当.
- 一种领先的自动增强方法在乳腺癌组织分类中显著优于手动增强.
- 与手动调整相比,减少了实验优化时间.
结论:
- 自动数据增强搜索对于提高计算病理学的域概括是有效的.
- 这种方法为手动数据增强提供了更高效和潜在的优越替代方案.
- 进一步的研究可以探索在组织病理学AI中更广泛的应用.


