乳腺组织显微镜图像分类：基于区域复制的自监督与现成深度表征的比较
图像与视频处理
2022-02-15 v1 计算机视觉与模式识别
摘要
乳腺癌是全球女性死亡的主要原因之一。若在进展早期诊断可降低死亡率。此外，计算机辅助诊断可显著提升该过程效率。基于深度学习的方法已成功应用于此。以监督方式训练深度网络的限制因素之一是对大量专家标注数据的依赖。现实中，仅有大量未标注数据与少量专家标注数据可用。在此类场景下，可借助迁移学习与自监督学习（SSL）方法。本研究中，我们提出一种新颖的自监督 pretext 任务来训练卷积神经网络（CNN）并提取特定领域特征。该方法与使用在ImageNet上预训练的DenseNet-121与ResNet-50等CNN提取的深度特征进行比较。此外，引入两类块组合方法并与多数投票比较。方法在BACH显微镜图像数据集上验证。结果表明，使用ResNet50提取深度特征并结合块级嵌入拼接取得了99%灵敏度的最佳性能。提取特定领域特征的SSL初步结果表明，仅用15%未标注数据即可在显微镜图像四分类中达到94%的高灵敏度。
引用
@article{arxiv.2202.06073,
title = {Classification of Microscopy Images of Breast Tissue: Region Duplication based Self-Supervision vs. Off-the Shelf Deep Representations},
author = {Aravind Ravi},
journal= {arXiv preprint arXiv:2202.06073},
year = {2022}
}