[论文解读] A Closer Look at Domain Shift for Deep Learning in Histopathology
本论文研究病理组织学中的领域转移，使用跨扫描仪的CNN肿瘤分类器，提出一个表示转移的度量并在 CAMELYON17 数据上评估数据增强/归一化技术。
Domain shift is a significant problem in histopathology. There can be large differences in data characteristics of whole-slide images between medical centers and scanners, making generalization of deep learning to unseen data difficult. To gain a better understanding of the problem, we present a study on convolutional neural networks trained for tumor classification of H&E stained whole-slide images. We analyze how augmentation and normalization strategies affect performance and learned representations, and what features a trained model respond to. Most centrally, we present a novel measure for evaluating the distance between domains in the context of the learned representation of a particular model. This measure can reveal how sensitive a model is to domain variations, and can be used to detect new data that a model will have problems generalizing to. The results show how learning is heavily influenced by the preparation of training data, and that the latent representation used to do classification is sensitive to changes in data distribution, especially when training without augmentation or normalization.
研究动机与目标
- 理解域转移如何影响基于CNN的H&E全切片图像在不同扫描仪上的肿瘤分类
- 评估数据增强与归一化策略对性能和学习表示的影响
- 提出并计算基于最后一层卷积中每个滤波器激活的Wasserstein距离的表示转移度量
提出的方法
- 使用来自三个扫描仪的 CAMELYON17 H&E WSI 小块来模拟跨域转移
- 对两种小型CNN架构（简单CNN和Mini-GoogLeNet）在有无增强/归一化的情况下进行评估
- 对测试数据应用颜色增强、染色归一化和基于 CycleGAN 的领域翻译
- 可视化学习的滤波器以解释模型所依赖的特征
- 提出并计算基于每个滤波器在最后一层卷积中的激活的Wasserstein距离的表示转移度量
实验结果
研究问题
- RQ1在一个扫描仪上训练、在未见过的扫描仪上测试时，跨数据集泛化性能如何？
- RQ2在不同数据处理策略下，CNN 学到的特征是什么，这对领域转移的鲁棒性有何影响？
- RQ3表示转移度量能否预测跨域分类精度的下降？
主要发现
- 在未进行增强的情况下，跨扫描仪的泛化显著下降（平均损失约为21.7个百分点）
- 颜色增强使跨扫描仪泛化提升，但下降幅度较小（约4.75个百分点）
- 染色归一化对某些未见案例有帮助，但对特定扫描仪可能导致更大下降（约9.2个百分点）
- CycleGAN 在同一扫描仪内的表现最佳，但跨扫描仪泛化能力较弱（下降可达约11.45个百分点）
- 特征可视化显示学习到的表示会随数据处理而变化，颜色增强使模型更完全忽略颜色信息
- 表示转移与补丁级别准确度呈负相关：转移越大，跨域准确度往往越低
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。