使用改进的监督对比学习方法的乳腺癌组织病理学图像分类

深度神经网络在医学图像处理任务中取得了显著成就，特别是在各种疾病的分类和检测方面。然而，当面对有限数据时，这些网络面临一个关键弱点，即常常因过度记忆有限信息而陷入过拟合。本文通过改进监督对比学习方法，利用图像级标签和领域特定增强来增强模型鲁棒性，从而解决上述挑战。该方法将自监督预训练与两阶段监督对比学习策略相结合。在第一阶段，我们采用改进的监督对比损失，不仅关注减少假阴性，还引入消除效应来处理假阳性。在第二阶段，引入一个松弛机制，基于相似性细化正负对，确保仅对齐相关的图像表示。我们在BreakHis数据集（包含乳腺癌组织病理学图像）上评估了我们的方法，并展示了在图像级别分类准确率上比最先进方法提高了1.45%。这一改进对应93.63%的绝对准确率，突显了我们的方法在利用数据属性学习更合适的表示空间方面的有效性。