Nuclear Segmentation and Classification: On Color & Compression Generalization

要約

デジタル病理学や計算病理学が分野として導入されて以来、アルゴリズムの臨床応用における主要な問題の1つは、学習データの分布外の例に対してうまく汎化できないことであった。病理学と自然画像の両方において、この問題に対処するための既存の研究は、ほぼ独占的に分類タスクに焦点を当てている。我々は、核のセグメンテーションと分類モデルについて、これまでで最大の計算病理学的課題であるCoNIC課題から、最も優れた7つのモデルの堅牢性を調査し評価しました。既存の最新モデル（SoTA）は、圧縮アーチファクトに対してはロバストであるが、カラードメインのシフトを受けると性能が大幅に低下することを実証する。また、ドメインシフトの問題に対処するために染色正規化を使用すると、モデル性能に悪影響を及ぼす可能性があることを発見しました。一方、ニューラル・スタイル・トランスファーは、野生の大きな色変化を提示した場合に、より一貫してテスト性能を向上させることができる。

要約(オリジナル)

Since the introduction of digital and computational pathology as a field, one of the major problems in the clinical application of algorithms has been the struggle to generalize well to examples outside the distribution of the training data. Existing work to address this in both pathology and natural images has focused almost exclusively on classification tasks. We explore and evaluate the robustness of the 7 best performing nuclear segmentation and classification models from the largest computational pathology challenge for this problem to date, the CoNIC challenge. We demonstrate that existing state-of-the-art (SoTA) models are robust towards compression artifacts but suffer substantial performance reduction when subjected to shifts in the color domain. We find that using stain normalization to address the domain shift problem can be detrimental to the model performance. On the other hand, neural style transfer is more consistent in improving test performance when presented with large color variations in the wild.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL