Automatic data augmentation to improve generalization of deep learning in H&E stained histopathology

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: onr:"swepub:oai:DiVA.org:liu-201692" > Automatic data augm...

1 av 1
Föregående post
Nästa post
Till träfflistan

Faryna, KhrystynaRadboud Univ Nijmegen, Netherlands (författare)

Automatic data augmentation to improve generalization of deep learning in H&E stained histopathology

Artikel/kapitelEngelska2024

Förlag, utgivningsår, omfång ...

PERGAMON-ELSEVIER SCIENCE LTD,2024
printrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:liu-201692
https://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-201692URI
https://doi.org/10.1016/j.compbiomed.2024.108018DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:art swepub-publicationtype

Anmärkningar

Funding Agencies|PPP Allowance
In histopathology practice, scanners, tissue processing, staining, and image acquisition protocols vary from center to center, resulting in subtle variations in images. Vanilla convolutional neural networks are sensitive to such domain shifts. Data augmentation is a popular way to improve domain generalization. Currently, state-of-the-art domain generalization in computational pathology is achieved using a manually curated set of augmentation transforms. However, manual tuning of augmentation parameters is time-consuming and can lead to sub-optimal generalization performance. Meta-learning frameworks can provide efficient ways to find optimal training hyper-parameters, including data augmentation. In this study, we hypothesize that an automated search of augmentation hyper-parameters can provide superior generalization performance and reduce experimental optimization time. We select four state-of-theart automatic augmentation methods from general computer vision and investigate their capacity to improve domain generalization in histopathology. We analyze their performance on data from 25 centers across two different tasks: tumor metastasis detection in lymph nodes and breast cancer tissue type classification. On tumor metastasis detection, most automatic augmentation methods achieve comparable performance to state-of-the-art manual augmentation. On breast cancer tissue type classification, the leading automatic augmentation method significantly outperforms state-of-the-art manual data augmentation.

Ämnesord och genrebeteckningar

TEKNIK OCH TEKNOLOGIER Elektroteknik och elektronik Signalbehandling hsv//swe
ENGINEERING AND TECHNOLOGY Electrical Engineering, Electronic Engineering, Information Engineering Signal Processing hsv//eng
Data augmentation; AutoML; H&E; Computational pathology; Generalization; Domain shift

Biuppslag (personer, institutioner, konferenser, titlar ...)

van der Laak, JeroenLinköpings universitet,Avdelningen för diagnostik och specialistmedicin,Medicinska fakulteten,Region Östergötland, Klinisk patologi,Radboud Univ Nijmegen, Netherlands(Swepub:liu)jerva26 (författare)
Litjens, GeertRadboud Univ Nijmegen, Netherlands (författare)
Radboud Univ Nijmegen, NetherlandsAvdelningen för diagnostik och specialistmedicin (creator_code:org_t)

Sammanhörande titlar

Ingår i:Computers in Biology and Medicine: PERGAMON-ELSEVIER SCIENCE LTD1700010-48251879-0534

Internetlänk

Hitta via bibliotek

Computers in Biology and Medicine (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Faryna, Khrystyn ...; van der Laak, Je ...; Litjens, Geert

Om ämnet

TEKNIK OCH TEKNOLOGIER: TEKNIK OCH TEKNO ...; och Elektroteknik oc ...; och Signalbehandling

Artiklar i publikationen: Computers in Bio ...

Av lärosätet: Linköpings universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se