放大先验：一种用于乳腺癌组织病理学图像表示学习的自监督方法
图像与视频处理
2022-09-09 v2 计算机视觉与模式识别
摘要
本工作提出一种新颖的自监督预训练方法，利用放大倍数在无标签的组织病理学医学图像上学习高效表示。其他最先进的工作主要关注严重依赖人工标注的全监督学习方法。然而，标注与未标注数据的稀缺性是组织病理学中长期存在的挑战。当前，无标签的表示学习在组织病理学领域仍未被探索。所提方法——放大先验对比相似性（MPCS）——通过利用放大倍数、归纳迁移并减少人工先验，在小型乳腺癌数据集 BreakHis 上实现了无标签的表示自监督学习。所提方法在仅使用 20% 标签进行微调时，在恶性分类上匹配全监督学习的最先进性能，并在全监督学习设定下优于先前工作。它提出了一个假设并提供经验证据支持：减少人工先验有助于自监督中的高效表示学习。本工作的实现已在 GitHub 上公开 - https://github.com/prakashchhipa/Magnification-Prior-Self-Supervised-Method
引用
@article{arxiv.2203.07707,
title = {Magnification Prior: A Self-Supervised Method for Learning Representations on Breast Cancer Histopathological Images},
author = {Prakash Chandra Chhipa and Richa Upadhyay and Gustav Grund Pihlgren and Rajkumar Saini and Seiichi Uchida and Marcus Liwicki},
journal= {arXiv preprint arXiv:2203.07707},
year = {2022}
}
备注
Accepted to IEEE/CVF Winter Conference on Applications of Computer Vision (WACV 2023)