面向乳腺组织病理图像分类的受监督对比视觉 Transformer
计算机视觉与模式识别
2024-04-19 v2 机器学习
摘要
乳腺癌最常见的形式为侵入性导管癌（IDC）。乳腺组织病理检查是诊断和分类乳腺癌的关键。尽管现有方法在乳腺癌病理图像分类方面显示出前景，但在分类准确率和泛化性方面仍有提升空间。我们提出一种新方法——受监督对比视觉 Transformer（SupCon-ViT），通过利用迁移学习，即预训练视觉 Transformer 的内在优势和优势，来提高乳腺导管癌分类的准确率和泛化性。我们在乳腺癌基准数据集上的结果表明，SupCon-ViT 在 IDC 分类中实现了领先的性能，F1 分数为 0.8188，精确率为 0.7692，特异度为 0.8971，超越了现有方法。此外，所提模型在极少标记数据的情况下表现出鲁棒性，使其在标注数据有限的实际临床环境中具有高度效率。我们的发现表明，监督对比学习与预训练视觉 Transformer 的结合似乎是一种可行策略，用于准确分类 IDC，从而为通过组织病理图像分析实现更高效和可靠的乳腺癌诊断铺平了道路。
引用
@article{arxiv.2404.11052,
title = {Supervised Contrastive Vision Transformer for Breast Histopathological Image Classification},
author = {Mohammad Shiri and Monalika Padma Reddy and Jiangwen Sun},
journal= {arXiv preprint arXiv:2404.11052},
year = {2024}
}
备注
8 pages, 7 figures