用于组织病理学图像分割的尺度等变UNet
Scale-Equivariant UNet for Histopathology Image Segmentation
AI总结：
针对CNN在不同尺度组织病理学图像上泛化能力差的问题，提出基于尺度空间理论的尺度等变UNet（SEUNet），通过使用可训练的高斯基滤波器线性组合并约束其跨越不相交尺度，在核与组织分割任务上以更少参数优于现有方法。
摘要：
数字组织病理学切片在不同放大倍数下扫描和查看，并存储为不同分辨率的图像。在给定尺度下的此类图像上训练的卷积神经网络（CNN）无法泛化到不同尺度的图像。这种无能通常通过用重新缩放的图像增强训练数据来解决，允许具有足够容量的模型学习所需的模式。或者，将CNN滤波器设计为尺度等变的，可以释放模型容量来学习判别特征。在本文中，我们通过建立在尺度空间理论之上，提出了用于图像分割的尺度等变UNet（SEUNet）。SEUNet包含作为高斯基滤波器线性组合的滤波器组，其尺度参数是可训练的，但被约束为通过网络层跨越不相交的尺度。在核分割数据集和组织类型分割数据集上的大量实验表明，我们的方法优于其他方法，且可训练参数少得多。
英文摘要：
Digital histopathology slides are scanned and viewed under different magnifications and stored as images at different resolutions. Convolutional Neural Networks (CNNs) trained on such images at a given scale fail to generalise to those at different scales. This inability is often addressed by augmenting training data with re-scaled images, allowing a model with sufficient capacity to learn the requisite patterns. Alternatively, designing CNN filters to be scale-equivariant frees up model capacity to learn discriminative features. In this paper, we propose the Scale-Equivariant UNet (SEUNet) for image segmentation by building on scale-space theory. The SEUNet contains groups of filters that are linear combinations of Gaussian basis filters, whose scale parameters are trainable but constrained to span disjoint scales through the layers of the network. Extensive experiments on a nuclei segmentation dataset and a tissue type segmentation dataset demonstrate that our method outperforms other approaches, with much fewer trainable parameters.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
