Este artículo investiga cómo las transformaciones clásicas de imágenes afectan los embeddings en el espacio latente utilizando redes codificadoras de Lunit Inc., Bioptimus y Meta Research Team.
- El estudio evaluó la varianza del embedding comparando tiles de imágenes originales y transformadas de conjuntos de datos de tejido colorrectal y TCGA contra embeddings aleatorios.
- Los hallazgos indican que los embeddings de imágenes originales y transformadas están más cercanos entre sí que a los aleatorios, lo que muestra robustez pero no invariancia total.
- Se observaron diferencias significativas entre las redes codificadoras de propósito general y aquellas entrenadas específicamente en imágenes de histopatología.
Los resultados explican por qué la aumento de datos mediado por transformaciones mejora el rendimiento al revelar que los codificadores actuales no neutralizan completamente los efectos de las transformaciones.