Histopathological Image Analysis with Style-Augmented Feature Domain Mixing for Improved Generalization

要約

組織病理学的画像は医療診断や治療計画に不可欠ですが、機械学習を使用して画像を正確に解釈することは、組織の準備、染色、および画像化プロトコルの違いにより困難な場合があります。
ドメイン一般化は、学習モデルを新しいデータセットまたは母集団に一般化できるようにすることで、このような制限に対処することを目的としています。
スタイル転送ベースのデータ拡張は、病理組織画像の機械学習モデルの一般化可能性を向上させるために使用できる新しい技術です。
ただし、既存のスタイル転送ベースの手法は計算コストが高くつく可能性があり、芸術的なスタイルに依存しているため、モデルの精度に悪影響を与える可能性があります。
この研究では、適応インスタンス正規化を使用して画像のスタイル拡張バージョンを生成する、特徴領域スタイル混合手法を提案します。
私たちが提案した方法を既存のスタイル転送ベースのデータ拡張方法と比較したところ、必要な計算量と時間が少ないにもかかわらず、同等以上のパフォーマンスを発揮することがわかりました。
私たちの結果は、組織病理学的画像分析の学習モデルの一般化に特徴領域統計を混合する可能性を示しています。

要約(オリジナル)

Histopathological images are essential for medical diagnosis and treatment planning, but interpreting them accurately using machine learning can be challenging due to variations in tissue preparation, staining and imaging protocols. Domain generalization aims to address such limitations by enabling the learning models to generalize to new datasets or populations. Style transfer-based data augmentation is an emerging technique that can be used to improve the generalizability of machine learning models for histopathological images. However, existing style transfer-based methods can be computationally expensive, and they rely on artistic styles, which can negatively impact model accuracy. In this study, we propose a feature domain style mixing technique that uses adaptive instance normalization to generate style-augmented versions of images. We compare our proposed method with existing style transfer-based data augmentation methods and found that it performs similarly or better, despite requiring less computation and time. Our results demonstrate the potential of feature domain statistics mixing in the generalization of learning models for histopathological image analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google