Oct, 2023
数字病理学中使用错误模拟评估和增强深度学习模型的鲁棒性
Assessing and Enhancing Robustness of Deep Learning Models with Corruption Emulation in Digital Pathology
Peixiang Huang, Songtao Zhang, Yulu Gan, Rui Xu, Rongqi Zhu...
TL;DR数字病理学中的深度学习为病理分析带来了智能和自动化的显著提升，然而，组织准备到幻灯片成像的多个步骤引入了各种图像损坏，使得深度神经网络模型难以在临床诊断中获得稳定的诊断结果。为了评估和进一步增强模型的鲁棒性，我们分析了病理生命周期中全栈损坏的物理原因，并提出了一种名为 OmniCE 的全覆盖损坏仿真方法，以再现用 5 个级别的严重性量化的 21 种损坏。我们构建了三个在补丁级别和幻灯片级别上由 OmniCE 损坏的基准数据集，并评估了流行的深度神经网络在分类和分割任务中的鲁棒性。此外，我们研究了使用 OmniCE 损坏的数据集作为训练和实验的增强数据，以验证模型的泛化能力得到了显著提升。