摘要

组织学图像在旋转下具有固有的对称性，每种方向出现的可能性相同。然而，这种旋转对称性并未被广泛用作现代卷积神经网络（CNNs）的先验知识，导致模型需要大量数据来学习每个方向上的独立特征。允许CNNs具备旋转等变性可以消除从数据中学习这一系列变换的必要性，从而释放模型容量，使其能够学习更具判别性的特征。参数数量的减少也降低了过拟合的风险。在本文中，我们提出了一种密集可转向滤波器卷积神经网络（Dense Steerable Filter CNNs, DSF-CNNs），该网络在密集连接框架中使用带有多个旋转副本的滤波器进行群卷积。每个滤波器被定义为可转向基滤波器的线性组合，这使得精确旋转成为可能，并且相比标准滤波器减少了可训练参数的数量。我们还首次对不同类型的旋转等变CNNs进行了深入比较，并展示了将旋转对称性编码到现代架构中的优势。实验结果表明，当应用于计算病理学领域的三个不同任务时——乳腺肿瘤分类、结肠腺体分割和多组织核分割——DSF-CNNs能够以显著较少的参数达到最先进的性能。