Datenaugmentation für histopathologische Bilder basierend auf Gaussian-Laplacian-Pyramidenmischung

Datenungleichgewicht ist ein großes Problem, das mehrere Algorithmen des maschinellen Lernens (ML) betrifft. Dieses Problem ist störend, da die meisten der ML-Algorithmen versuchen, eine Verlustfunktion zu optimieren, die das Datenungleichgewicht nicht berücksichtigt. Dementsprechend generiert der ML-Algorithmus einfach ein triviales Modell, das darauf ausgerichtet ist, die häufigste Klasse in den Trainingsdaten vorherzusagen. Im Fall von histopathologischen Bildern (HIs) weisen sowohl niedrigstufige als auch hochstufige Datenaugmentationstechniken (DA) immer noch Leistungsprobleme auf, wenn sie in Anwesenheit von Inter-Patienten-Variabilität angewendet werden; weshalb das Modell dazu tendiert, Farbkompositionen zu lernen, was mit dem Färbeprozess zusammenhängt. In diesem Papier schlagen wir einen neuartigen Ansatz vor, der nicht nur in der Lage ist, den HI-Datensatz zu augmentieren, sondern auch die Inter-Patienten-Variabilität durch Bildmischung mittels der Gaussian-Laplacian-Pyramide zu verteilen. Der vorgeschlagene Ansatz besteht darin, die Gaussian-Pyramiden zweier Bilder von verschiedenen Patienten zu finden und die Laplacian-Pyramiden davon zu ermitteln. Danach werden die linke und rechte Hälfte unterschiedlicher HIs auf jeder Ebene der Laplacian-Pyramide zusammengefügt, und aus den gemeinsamen Pyramiden wird das ursprüngliche Bild rekonstruiert. Diese Komposition kombiniert die Färbevariationen von zwei Patienten und verhindert, dass Farbdifferenzen den Lernprozess fehlleiten. Experimentelle Ergebnisse des BreakHis-Datensatzes haben vielversprechende Fortschritte im Vergleich zu den meisten in der Literatur präsentierten DA-Techniken gezeigt.