基于对比学习的深度嵌入用于抗标签噪声的组织病理学图像分类

深度学习的最新进展在医学图像分类中已被证明非常有效，尤其是在组织病理学领域。然而，噪声标签是组织病理学图像分类中的一个关键挑战，因为准确的标注对于训练鲁棒的深度学习模型至关重要。实际上，深度神经网络很容易过拟合标签噪声，导致模型性能严重下降。尽管最近出现了许多公开的病理学基础模型，但尚未有研究评估它们对标签噪声的鲁棒性。通过跨多个数据集的彻底实证分析，我们展示了以自监督对比方式训练的基础模型提取的嵌入具有抗标签噪声的特性。我们证明，与基于非对比学习的嵌入以及常用的抗噪声方法相比，使用此类嵌入进行训练能显著增强对标签噪声的鲁棒性。我们的结果明确强调了对比学习在有效缓解标签噪声挑战方面的优越性。代码已公开，见 https://github.com/LucasDedieu/NoiseResilientHistopathology。