放大不变的医学图像分析：卷积网络、视觉变换器和令牌混合器的比较

卷积神经网络（CNNs）在医学图像分析中得到了广泛应用，但当测试图像的放大倍率与训练图像不同时时，其性能会下降。CNNs 无法跨放大倍率进行泛化，这可能导致在外部数据集上的表现不佳。本研究旨在评估各种深度学习架构在训练和测试阶段具有不同放大倍率的乳腺癌组织病理学图像分析中的鲁棒性。我们探讨并比较了多种深度学习架构的性能，包括基于 CNN 的 ResNet 和 MobileNet、基于自注意力机制的视觉变换器（Vision Transformers）和 Swin 变换器（Swin Transformers），以及基于令牌混合的模型，如 FNet、ConvMixer、MLP-Mixer 和 WaveMix。实验使用了包含不同放大倍率水平的乳腺癌组织病理学图像的 BreakHis 数据集。结果显示，WaveMix 在训练和测试数据的放大倍率变化时表现出不变性，并能提供稳定且良好的分类准确性。这些评估对于识别能够稳健处理放大倍率变化的深度学习架构至关重要，以确保解剖结构之间的尺度变化不会干扰推理结果。