FUSION: Fully Unsupervised Test-Time Stain Adaptation via Fused Normalization Statistics

要約

染色は、組織病理学スライドを作成しながら、吸引物の微細構造を明らかにします。
ソースとターゲットの間の色の違いとして定義される染色の変動は、染色中の特性の変化によって引き起こされ、ターゲットでの分布のシフトとパフォーマンスの低下をもたらします。
染色正規化の目標は、ターゲットの色分布をソースの色分布に一致させることです。
ただし、染色の正規化は、根底にある形態を歪め、誤った診断をもたらします。
FUSION を提案します。これは、教師なしのテスト時間シナリオでモデルをターゲットに合わせて調整することにより、汚れの適応を促進する新しい方法であり、ターゲット エンドでの重要なラベル付けの必要性を排除します。
FUSION は、ターゲットのバッチ正規化統計を変更し、加重係数を使用してそれらをソース統計と融合することによって機能します。
アルゴリズムは、重み係数に基づいて 2 つの極端な値のいずれかに縮小されます。
トレーニングや監督が不足しているにもかかわらず、FUSION は、2 つの公開データセットでの包括的な実験によって実証されたように、分類および密な予測 (セグメンテーション) のための既存の同等のアルゴリズムを凌駕しています。

要約(オリジナル)

Staining reveals the micro structure of the aspirate while creating histopathology slides. Stain variation, defined as a chromatic difference between the source and the target, is caused by varying characteristics during staining, resulting in a distribution shift and poor performance on the target. The goal of stain normalization is to match the target’s chromatic distribution to that of the source. However, stain normalisation causes the underlying morphology to distort, resulting in an incorrect diagnosis. We propose FUSION, a new method for promoting stain-adaption by adjusting the model to the target in an unsupervised test-time scenario, eliminating the necessity for significant labelling at the target end. FUSION works by altering the target’s batch normalization statistics and fusing them with source statistics using a weighting factor. The algorithm reduces to one of two extremes based on the weighting factor. Despite the lack of training or supervision, FUSION surpasses existing equivalent algorithms for classification and dense predictions (segmentation), as demonstrated by comprehensive experiments on two public datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google