Impact of Stain Normalization and Background Filtering on Deep Learning & Transformer Based Models for Ovarian Cancer Histopathology Classification
Notice bibliographique
Résumé
Accurate subtype classification of ovarian cancer from H&E histopathology is hindered by stain variability, background artifacts, and class imbalance. We present a controlled study that isolates the effect of preprocessing on downstream performance. Using the UBC-OCEAN dataset, we evaluate two stain normalization methods (Reinhard, Macenko) and an explicit background filter that removes near-white tiles in a$2 \times 2$factorial design. Three architectures ResNet-50, EfficientNetV2-S, and Swin-T are trained with class balanced augmentation and assessed using accuracy, macro-F1, Cohen's$\kappa$, and macro-AUPRC. Excluding near-white tiles consistently improves results across models and normalizations. Under identical background handling, Macenko normalization generally outperforms Reinhard. Swin-T is the strongest backbone overall; the best configuration (Macenko + near-white exclusion + Swin-T) attains 0.9559 accuracy, 0.9534 macro-F1,$0.9401 \kappa$, and 0.9881 macro-AUPRC. These findings demonstrate that simple, explicit preprocessing choices materially affect ovarian cancer subtype classification and should be reported alongside model details to enable reproducibility and fair comparison.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».