Stain Consistency Learning: Handling Stain Variation for Automatic Digital Pathology Segmentation
Rattachement africain : gb, pt, us. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Stain variation poses a major challenge for automated digital pathology. Numerous techniques address this issue, yet show limited success, especially outside H&E stains and classification tasks. We propose Stain Consistency Learning (SCL), combining stain-specific augmentation and a novel consistency loss to learn stain-invariant features. We conduct the first large-scale evaluation of ten methods on Massons trichrome and H&E datasets for segmentation. Our results demonstrate that traditional stain normalization offers little benefit, while stain augmentation and adversarial learning significantly improve performance. SCL consistently outperforms all other methods.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Stain Consistency Learning: Handling Stain Variation for Automatic Digital Pathology Segmentation
- Date Crossref
- 01/01/2026
- Éditeur
- Institute of Electrical and Electronics Engineers (IEEE)
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.