FHIST：组织学图像少样本分类基准
计算机视觉与模式识别
2022-06-02 v1
摘要
少样本学习近来在图像分类中引起广泛关注，但当前几乎所有公开基准都聚焦于自然图像。由于标注数据稀缺且标注昂贵并需专业知识，少样本范式在医学影像应用中高度相关。然而在医学影像中，少样本学习研究稀少，限于私有数据集且处于早期阶段。特别地，由于癌症相关组织分类任务的多样性与细粒度性，以及数据制备技术的多变性，少样本设定在组织学中颇受关注。本文引入一个由多个公开数据集汇集而成、高度多样化的公开基准，用于少样本组织学数据分类。我们构建了涵盖多种组织类型、源自不同癌症部位的不同程度域偏移以及不同类粒度级别的少样本任务与基训练数据，从而反映真实场景。我们在基准上评估了最先进少样本学习方法的性能，观察到简单的微调与正则化方法优于流行的元学习与情景训练范式。此外，我们基于源与目标组织学数据间的域偏移引入三种场景：近域、中域和离域。我们的实验展示了少样本学习在组织学分类中的潜力，最先进的少样本学习方法在近域设定下接近监督学习基线。在我们的离域设定中，对于 5-way 5-shot，性能最佳的方法达到 60% 准确率。我们相信我们的工作有助于构建少样本学习方法的真实评估与公平比较，并将进一步激励少样本范式的研究。
引用
@article{arxiv.2206.00092,
title = {FHIST: A Benchmark for Few-shot Classification of Histological Images},
author = {Fereshteh Shakeri and Malik Boudiaf and Sina Mohammadi and Ivaxi Sheth and Mohammad Havaei and Ismail Ben Ayed and Samira Ebrahimi Kahou},
journal= {arXiv preprint arXiv:2206.00092},
year = {2022}
}
备注
Code available at: https://github.com/mboudiaf/Few-shot-histology