利用样式增强特征域混合的组织病理学图像分析以提高泛化能力

Oct, 2023

利用样式增强特征域混合的组织病理学图像分析以提高泛化能力

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

Vaibhav Khamankar, Sutanu Bera, Saumik Bhattacharya, Debashis Sen, Prabir Kumar Biswas

TL;DR本研究提出了一种基于特征域风格混合的技术，利用自适应实例归一化生成具有风格增强版本的图像。通过与现有的基于风格迁移的数据增强方法进行比较，发现该方法在计算和时间上要求较低的情况下表现相似或更好。研究结果展示了特征域统计混合在组织病理学图像分析学习模型的泛化中的潜力。

Abstract

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 an

histopathological images machine learning domain generalization style transfer-based data augmentation feature domain style mixing

发现论文，激发创造

医学图像中的域泛化复杂风格转换

本文介绍了一种名为 CompStyle 的新型框架，利用样式转换和对抗训练以及高级输入复杂性增强来扩展域空间和处理未知的分布，以提高自动化系统和深度学习模型的性能。实验证明我们的方法在肾脏数据的语义分割和心脏数据的损坏鲁棒性上都能提高性能，而无需额外的培训时间或资源。

Jun, 2024

使用医疗无关的风格转换增强来学习用于计算病理学的通用视觉表示

STRAP 是一种基于从艺术绘画等非医学样式源进行随机风格转移的数据增强形式，可用于学习计算病理学中的领域不可知的视觉表示。

Feb, 2021

混合样式领域泛化

本研究介绍了一种新的基于概率混合实例级别特征统计的域泛化方法 MixStyle 来提高卷积神经网络模型的泛化性能，该方法着眼于图像风格与视觉域之间的关联关系，并将其应用于 CNN 的底层进行数据增广，既可用于分类任务还可应用于实例检索和强化学习等任务。

Apr, 2021

领域对抗神经网络解决组织病理学图像外观差异问题

通过对颜色进行增强和基于领域对抗训练的方法，可以改善深度学习方法的泛化能力，从而提高乳腺癌组织学图像中有丝分裂的检测效果。

Jul, 2017

重新思考领域泛化基线

本文针对深度学习部署时出现的不稳定问题，研究了领域泛化方法和数据增强策略。作者聚焦于风格迁移数据增强，展示了如何以简便廉价的策略实现增强，分析了现有领域泛化方法与该策略结合时的表现，并提出了新的领域泛化研究方向。

Jan, 2021

特征风格化与领域感知对比学习用于领域泛化

提出了一种基于特征统计进行特征风格化的领域泛化框架，其中利用领域样式样本对原始特征进行低频成分的风格化处理，并利用领域感知的对比损失增加类别可区分性，得到在 PACS 和 Office-Home 两个基准测试上超越现有最先进方法的实验结果。

Aug, 2021

跨领域特征增强的域泛化

领域泛化通过提高模型的鲁棒性来开发具有分布偏移上的稳定性的模型。现有方法在跨域数据上学习不变性以增强模型的稳健性，数据增强被广泛用于学习不变的预测模型，其中大多数方法在输入空间进行增强。然而，输入空间的增强的多样性有限，而特征空间的增强更加灵活且显示了有希望的结果。然而，特征语义很少被考虑，现有特征增强方法缺乏增强特征的多样性。我们将特征分解为类通用、类特定、领域通用和领域特定组件。我们提出了一种名为 XDomainMix 的跨域特征增强方法，使我们能够增加样本的多样性，同时强调学习不变表示以实现领域泛化。对广泛使用的基准数据集的实验证明我们的方法能够实现最先进的性能。定量分析表明我们的特征增强方法有助于学习在不同领域中都不变的有效模型。

May, 2024

通过样式增强和双重归一化实现通用交叉模态医学图像分割

本文提出了一种基于双标准化模型的，借助源域中类似和不类似的图像数据在目标域中进行通用分割的方法，旨在解决跨模态分割中不同领域之间的特征差异问题，并在 BraTS、Cross-Modality Cardiac 和 Abdominal Multi-Organ 等公共领域数据集上进行实验和测试，表明此方法优于其他最先进的领域泛化方法。

Dec, 2021

样式增强：通过样式随机化进行数据增强

本文提出了一种基于随机样式转换的数据增广方法，即样式增广，以提高卷积神经网络在分类、回归和领域迁移任务中的鲁棒性。在训练期间，通过从多元正态分布中采样输入样式嵌入，将任意样式转换网络调整为执行样式随机化，以随机化纹理、对比度和颜色，同时保留形状和语义内容，并且与传统的数据增广技术相结合以改进网络性能。通过分类和单目深度估计领域迁移实验的验证，证明本文提出的技术方法能够提高模型的泛化能力。

Sep, 2018

数字病理图像的自适应域泛化

研究关注于组织学培训中的颜色和扫描仪变化对人工智能的影响，并介绍了能够适应领域变化的测试时间训练技术。

May, 2023