В данной работе исследуется, как классические трансформации изображений влияют на эмбеддинги в латентном пространстве с использованием энкодеров от компаний Lunit Inc., Bioptimus и исследовательской группы Meta.
- Исследование оценивало дисперсию эмбеддингов путем сравнения оригинальных и преобразованных фрагментов изображений из наборов данных колоректальной ткани и TCGA со случайными эмбеддингами.
- Результаты показывают, что эмбеддинги оригинальных и преобразованных изображений ближе друг к другу, чем к случайным, что свидетельствует о робастности, но не полной инвариантности.
- Были обнаружены значительные различия между универсальными энкодерами и теми, которые были специально обучены на гистопатологических изображениях.
Результаты объясняют, почему аугментация данных посредством трансформаций улучшает производительность, демонстрируя, что текущие энкодеры не полностью нейтрализуют эффекты трансформаций.