PathoWAve: A Deep Learning-based Weight Averaging Method for Improving Domain Generalization in Histopathology Images

近年来，深度学习的最新进展显著促进了医学图像分析。在医学图像处理领域，特别是组织病理学图像分析中，染色协议的差异和扫描仪的不同造成了显著的领域转移挑战，削弱了模型对来自未知领域的数据的泛化能力，促使需要有效的领域通用策略来提高自动癌症检测工具在诊断决策中的一致性和可靠性。本文介绍了病理权重平均（PathoWAve），一种多源领域通用策略，用于解决组织病理学图像分析中DL模型的领域转移现象。PathoWAve将特定的权重平均技术与并行训练轨迹和组织病理学特定数据增强方法的策略组合相结合，使得在损失景观中进行全面的探索和精确的收敛成为可能。这种方法显著增强了DL模型在新的未知组织病理学领域中的泛化能力。据我们所知，PathoWAve是首个针对组织病理学图像分析的领域通用策略中提出的权重平均方法。我们在Camelyon17 WILDS数据集上的定量结果表明，PathoWAve比先前提出的方法更有效地解决了组织病理学图像处理中的领域转移现象。我们的代码可在\url{https://github.com/ParastooSotoudeh/PathoWAve}上获取。

本文旨在解决医学图像分析中的领域转移问题，特别是在组织病理学图像分析中，不同染色方案和扫描仪的差异会导致模型泛化能力下降的问题。

本文提出了一种名为PathoWAve的多源领域泛化策略，通过将特定的权重平均技术与并行训练轨迹相结合，并与特定的数据增强方法相结合，实现了对损失函数的全面探索和精确收敛。该方法显著提高了深度学习模型在新的、未见过的组织病理学领域的泛化能力。

本文的亮点包括：提出了一种新的多源领域泛化策略PathoWAve；使用了Camelyon17 WILDS数据集进行实验，并证明了PathoWAve相对于之前的方法的优越性；代码已在GitHub上开源。

最近在这个领域中，还有一些相关研究，如Unsupervised Domain Adaptation for Histopathology Image Analysis Using Cycle-Consistent Generative Adversarial Networks和A Comprehensive Study on Domain Adaptation of Convolutional Neural Networks for Histopathology Image Analysis等。