Physics-Grounded Adversarial Stain Augmentation with Calibrated Coverage Guarantees

技术摘要：校准对抗性染色增强（CASA）

问题陈述
在苏木精 - 伊红（H&E）染色切片上训练的组织病理学模型，在跨不同医院部署时，往往会出现性能下降。这一问题源于试剂浓度、染色方案和扫描仪硬件的差异，这些因素改变了图像的颜色分布。现有解决方案存在显著局限性：

• 染色归一化：将图像转换为参考模板的方法（例如 Macenko 等人，2009）往往会引入伪影，并且严重依赖于参考模板的选择。
• 随机染色增强：诸如 HED 扰动（Tellez 等人，2019）或 RandStainNA（Shen 等人，2022）等方法虽然增加了颜色多样性，但需要手动选择扰动强度（$\sigma$）。该论文指出，缺乏选择此参数的原则性标准，并观察到在 Camelyon17-WILDS 基准测试中，“轻度”与“强力”扰动设置之间存在 8 个百分点的性能差距。
• 通用对抗增强：近期方法（例如 AdvST，Zhong 等人，2022）学习最坏情况的扰动，但在通用颜色空间（HSV、对比度）中运行，且其预算任意，无法反映染色过程的物理约束。

方法论：校准对抗性染色增强（CASA）
作者提出了 CASA，这是一个在基于物理的 Macenko 染色参数空间内执行对抗增强，并结合统计校准预算的框架。

1. 基于物理的参数空间：
   该方法利用比尔 - 朗伯定律（Beer-Lambert law）对图像形成进行建模（$I_j = I_0 \exp(-W h_j)$），其中 $W$ 代表单位范数染色基向量（苏木精和伊红），$h$ 代表染色浓度。CASA 直接在这些参数上操作：

   • 染色向量扰动（$\delta_W$）：扰动染色向量的方向，并投影到球冠上以保持单位范数。
   • 浓度扰动（$\delta_h$）：逐元素缩放浓度。约束条件确保在优化过程中浓度保持非负。

2. 极小 - 极大训练循环：
   训练过程求解一个极小 - 极大问题。在内部最大化步骤中，模型使用 $K$ 步投影梯度下降（PGD）识别最坏情况的染色扰动 $(\delta^*_W, \delta^*_h)$。外部最小化步骤利用随机梯度下降（SGD）更新模型参数 $\theta$，优化的是通过比尔 - 朗伯逆运算重建的增强图像。

3. 具有覆盖保证的校准预算：
   与传统方法将扰动预算作为超参数不同，CASA 利用 Dvoretzky-Kiefer-Wolfowitz（DKW）不等式，从多中心训练统计中推导预算。

   • 估计：对于一组 $n$ 张训练图像，该方法计算染色向量的角度偏差以及相对于均值的浓度百分位比率。
   • 统计保证：预算 $\tau_W$ 和 $\tau_H$ 被设定为经 DKW 校正项（$\varepsilon_n$）调整的实证分位数。这确保了真实染色变化的 $(1-\delta)$-分位数以 $\geq 1-\beta$ 的概率被覆盖。
   • 结果：该方法保证来自未见中心的染色参数以高置信度（例如 $\geq 95\%$）落在对抗预算内，从而消除了手动调整的需要。

关键结果
该方法在 Camelyon17-WILDS 数据集（5 家医院，302K 个图像块）上使用 DenseNet-121 架构并在 5 个随机种子下进行了评估。

• 性能：CASA 实现了 93.9% ± 1.6% 的切片级宏观准确率，显著优于所有基线。
  • 对比随机增强：它超越了 HED-strong（88.4% ± 7.3%）和 RandStainNA（85.2% ± 6.7%）。
  • 对比标准训练：它大幅改进了经验风险最小化（ERM）的 63.9% ± 11.3%。
• 鲁棒性：CASA 在 10 种对比方法中展现了最高的最坏组准确率（84.9% ± 0.9%），表明其在不同医院域之间具有卓越的稳定性。
• 方差：与 HED-strong 相比，该方法的平均准确率方差降低了 4 倍，突显了校准预算所提供的稳定性。

意义与主张
该论文主张，CASA 的有效性源于两个具体的设计选择，它们解决了通用对抗方法的缺陷：

1. 物理基础：通过在 Macenko 染色空间中对扰动进行参数化，模型在最难的真实染色变化上进行训练，确保泛化到该物理范围内的任何中心。
2. 数据驱动的校准：通过 DKW 不等式从多中心统计中推导对抗预算，该方法消除了对手动超参数调整（特别是扰动强度 $\sigma$）的敏感性，并为未见域提供了覆盖的统计保证。

作者总结道，由于特定于域的组件仅限于染色分解和校准集，因此该极小 - 极大公式可迁移至任何已知前向物理模型的染色方案。