探索面向标签高效癌症诊断的学习环境
计算机视觉与模式识别
2024-08-19 v2
摘要
尽管已有大量研究工作和进展，癌症仍然是主要死因之一。早期癌症预测已成为癌症研究的关键焦点，以 streamline 患者护理并改善治疗结果。病理学家手动检测肿瘤可能耗时，促使需要计算机化方法以加速治疗规划。传统肿瘤检测方法依赖监督学习，需要大量标注数据进行模型训练。然而，获取如此广泛的标注数据可能费时费力。本研究考察了三种学习环境：监督学习（SL）、半监督学习（Semi-SL）和自监督学习（Self-SL），用于预测肾脏、肺部和乳腺癌。三种预训练深度学习模型（Residual Network-50、Visual Geometry Group-16 和 EfficientNetB0）在这些学习设置下基于七个精心策划的训练集进行评估。为创建第一个训练集（TS1），SL 应用于所有标注图像样本。五个具有不同标注与未标注癌症图像比例的训练集（TS2–TS6）用于评估 Semi-SL。最后一个训练集（TS7）中的未标注癌症图像用于 Self-SL 评估。在不同学习环境中，Semi-SL 设置的结果与 SL 设置的结果表现出高度一致。预训练模型在所有三个数据集上观察到的统一模式验证了研究的方法和技术。基于少量标注样本和最低计算成本，本研究建议 Semi-SL 选项可在标注约束场景下作为 SL 选项的高度可行替代方案。
引用
@article{arxiv.2408.07988,
title = {Exploring learning environments for label\-efficient cancer diagnosis},
author = {Samta Rani and Tanvir Ahmad and Sarfaraz Masood and Chandni Saxena},
journal= {arXiv preprint arXiv:2408.07988},
year = {2024}
}
备注
Submitted to the journal