Assessing and Enhancing Robustness of Deep Learning Models with Corruption Emulation in Digital Pathology

要約

デジタル病理学におけるディープラーニングは、臨床診断のゴールドスタンダードである病理学的分析に大幅な機能強化としてインテリジェンスと自動化をもたらします。
ただし、組織の準備からスライド イメージングまでの複数のステップによりさまざまな画像破損が発生し、ディープ ニューラル ネットワーク (DNN) モデルが臨床で使用するための安定した診断結果を達成することが困難になります。
モデルの堅牢性を評価し、さらに強化するために、病理学的ライフサイクル全体にわたるフルスタック破損の物理的原因を分析し、5 つのレベルで定量化された 21 種類の破損を再現するオムニ破損エミュレーション (OmniCE) 手法を提案します。
-レベルの重大度。
次に、パッチ レベルとスライド レベルの両方で 3 つの OmniCE で破損したベンチマーク データセットを構築し、分類およびセグメンテーション タスクにおける一般的な DNN の堅牢性を評価します。
さらに、OmniCE で破損したデータセットをトレーニングや実験用の拡張データとして使用して、モデルの汎化能力が大幅に強化されていることを検証することを検討します。

要約(オリジナル)

Deep learning in digital pathology brings intelligence and automation as substantial enhancements to pathological analysis, the gold standard of clinical diagnosis. However, multiple steps from tissue preparation to slide imaging introduce various image corruptions, making it difficult for deep neural network (DNN) models to achieve stable diagnostic results for clinical use. In order to assess and further enhance the robustness of the models, we analyze the physical causes of the full-stack corruptions throughout the pathological life-cycle and propose an Omni-Corruption Emulation (OmniCE) method to reproduce 21 types of corruptions quantified with 5-level severity. We then construct three OmniCE-corrupted benchmark datasets at both patch level and slide level and assess the robustness of popular DNNs in classification and segmentation tasks. Further, we explore to use the OmniCE-corrupted datasets as augmentation data for training and experiments to verify that the generalization ability of the models has been significantly enhanced.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google