少样本病理图像分类：评估最先进方法并揭示性能洞察
计算机视觉与模式识别
2024-08-27 v1
摘要
本文 presents 了关于病理图像中少样本分类的研究。虽然少样本学习已用于自然图像分类，但其在病理图像上的应用仍相对不为人知。鉴于医学影像中标注数据稀缺以及由不同组织类型和数据准备技术导致的固有挑战，本研究评估了在病理图像上采用 various 场景下的最先进少样本学习方法的性能。我们考虑了四个病理图像数据集进行少样本病理图像分类，并在 5-way 1-shot、5-way 5-shot 和 5-way 10-shot 场景下对一组最先进分类技术进行评估。最佳方法在 5-way 1-shot、5-way 5-shot 和 5-way 10-shot 情况下的准确率分别超过 70%、80% 和 85%。我们发现，对于病理图像，流行的元学习方法与标准的 fine-tuning 和正则化方法相当。我们的实验强调了来自不同 domain 图像的挑战，并强调了在发展针对特定 domain（如病理图像）的计算机视觉技术时，进行无偏且聚焦的评估的重要性。
引用
@article{arxiv.2408.13816,
title = {Few-Shot Histopathology Image Classification: Evaluating State-of-the-Art Methods and Unveiling Performance Insights},
author = {Ardhendu Sekhar and Ravi Kant Gupta and Amit Sethi},
journal= {arXiv preprint arXiv:2408.13816},
year = {2024}
}