Aug, 2023
ALFA - 提高病理图像分类模型在未知医院的泛化能力的利用所有层次的特征抽象
ALFA -- Leveraging All Levels of Feature Abstraction for Enhancing the
Generalization of Histopathology Image Classification Across Unseen Hospitals
TL;DR我们提出了一种详尽的方法论，利用各种抽象级别，旨在增强图像分类对未被观察的医院的普遍性。我们的方法将基于增强的自我监督与组织病理学场景中的常见分布偏移作为先决任务相结合。通过这种方式，我们可以从训练图像中提取不依赖于训练标签的不变特征，从而覆盖不同的抽象级别。然后，我们使用领域对齐模块在不同训练医院之间进一步提取不变特征。为了表示参与医院的高度特定特征，我们训练一个编码器来对医院标签进行分类，而不考虑其诊断标签。每个编码器的特征随后被分解以最小化冗余并分离特征。这种表示涵盖了广泛的语义信息，使得我们的模型在面对来自不同分布的新出现的医院图像时表现出更高的鲁棒性。来自PACS数据集（一个领域泛化基准）、应用组织病理学特定扰动到MHIST数据集构建的合成数据集（定义了具有不同分布偏移的不同领域）和从TCGA的四个图像库派生的肾癌数据集的实验结果共同表明，我们提出的模型在管理不同级别图像粒度方面表现出了优越性。因此，当面临新的、来自分布不同的医院图像时，该模型显示出了更强的普适性。