Fine-Grained Hard Negative Mining: Generalizing Mitosis Detection with a Fifth of the MIDOG 2022 Dataset

要約

病理組織学画像分類器を実世界の広範な変動に頑健にすることは、挑戦的な課題である。ここでは、高い変動性（スキャナ、組織タイプ、種の変動性）の下でヘマトキシリン・エオジン染色された組織学スライドの画像における有糸分裂検出の汎化の問題を解決するために、有糸分裂領域汎化チャレンジ2022（MIDOG）の深層学習ソリューション候補を説明します。我々のアプローチは、ハード陰性例とチャレンジデータセットの未ラベル部分から自動的に選択された陰性例で強化されたトレーニングセットによる積極的なデータ増強を使用して、回転不変の深層学習モデルを訓練することで構成されています。我々のモデルの性能を最適化するために、我々は、チャレンジデータセットの訓練パーティションの19.6％を表す画像パッチのサブセットを使用して我々の最高のモデルを訓練するように導いたハードネガティブマイニング体制探索手順を調査しました。我々の候補モデルアンサンブルは、チャレンジプラットフォームでの自動評価後の最終テストセットでF1スコア0.697を達成し、MIDOG 2022チャレンジの総合スコアで3位を獲得しました。

要約(オリジナル)

Making histopathology image classifiers robust to a wide range of real-world variability is a challenging task. Here, we describe a candidate deep learning solution for the Mitosis Domain Generalization Challenge 2022 (MIDOG) to address the problem of generalization for mitosis detection in images of hematoxylin-eosin-stained histology slides under high variability (scanner, tissue type and species variability). Our approach consists in training a rotation-invariant deep learning model using aggressive data augmentation with a training set enriched with hard negative examples and automatically selected negative examples from the unlabeled part of the challenge dataset. To optimize the performance of our models, we investigated a hard negative mining regime search procedure that lead us to train our best model using a subset of image patches representing 19.6% of our training partition of the challenge dataset. Our candidate model ensemble achieved a F1-score of .697 on the final test set after automated evaluation on the challenge platform, achieving the third best overall score in the MIDOG 2022 Challenge.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL