用于数字组织病理学的自监督对比学习
图像与视频处理
2021-09-09 v2 计算机视觉与模式识别
摘要
无监督学习一直是机器学习的长期目标，并且对医学图像分析尤为重要，因为此类学习可弥补标注数据集的稀缺。无监督学习的一个有前景的子类是自监督学习，其旨在使用原始输入作为学习信号来学习显著特征。本文中，我们使用一种称为 SimCLR 的对比自监督学习方法，该方法在自然场景图像上取得了最先进（state-of-the-art）结果，并将此方法应用于数字组织病理学，通过收集并在 57 个组织病理学数据集上无标注地进行预训练。我们发现，组合具有不同染色类型与分辨率属性的多个多器官数据集可改善所学特征的质量。此外，我们发现使用更多图像进行预训练可在多个下游任务中带来更好性能。在所学特征之上训练的线性分类器表明，在数字组织病理学数据集上预训练的网络优于 ImageNet 预训练网络，在 F1 分数上平均提升超过 28% 的任务性能。这些发现也可能在将更新的对比技术应用于组织病理学数据时有所帮助。预训练的 PyTorch 模型已在 https://github.com/ozanciga/self-supervised-histopathology 公开提供。
引用
@article{arxiv.2011.13971,
title = {Self supervised contrastive learning for digital histopathology},
author = {Ozan Ciga and Tony Xu and Anne L. Martel},
journal= {arXiv preprint arXiv:2011.13971},
year = {2021}
}