在多样化病理数据集上基准测试自监督学习
计算机视觉与模式识别
2023-04-19 v2 机器学习
摘要
计算病理学有助于挽救生命，但模型渴求标注，且病理图像标注成本 notoriously 高昂。自监督学习（Self-Supervised Learning, SSL）已被证明是利用无标注数据的有效方法，其在病理学中的应用可极大惠及下游任务。然而，目前尚无系统性研究比较 SSL 方法并探讨如何将其适配于病理学。为满足该需求，我们开展了迄今为止最大规模的病理学图像数据 SSL 预训练研究。我们的研究使用 4 种代表性 SSL 方法在多样化下游任务上进行。我们确定，在病理学中大规模领域对齐的预训练在标准 SSL 设定（如线性与微调评估）以及低标注量情形下，始终优于 ImageNet 预训练。此外，我们提出一组领域特定技术，并通过实验表明其带来性能提升。最后，我们首次将 SSL 应用于具有挑战性的细胞核实例分割任务，并在多样化设定下展示出大幅且一致的性能改进。
引用
@article{arxiv.2212.04690,
title = {Benchmarking Self-Supervised Learning on Diverse Pathology Datasets},
author = {Mingu Kang and Heon Song and Seonwook Park and Donggeun Yoo and Sérgio Pereira},
journal= {arXiv preprint arXiv:2212.04690},
year = {2023}
}
备注
Accepted to CVPR 2023