基于对比学习更好地理解与泛化组织学图像少样本分类
图像与视频处理
2022-02-21 v1 计算机视觉与模式识别
摘要
少样本学习在自然图像中已是多年成熟课题，但鲜有工作关注组织学图像，而由于标注良好的数据集与罕见异常样本采集成本高昂，其具有极高的临床价值。在此，我们通过建立三个模拟真实临床问题的跨域任务来推动组织学图像少样本学习的研究。为实现标签高效学习与更好的泛化性，我们提出将对比学习（CL）与潜在增强（LA）相结合以构建少样本系统。CL 在无人工标签下学习有用表征，而 LA 以无监督方式迁移基数据集的语义变化。这两个组件充分利用无标签训练数据，并可优雅地扩展到其他标签匮乏的问题。实验中，我们发现 i) 对于未见类别中的组织学图像，CL 学习的模型比监督学习泛化更好；ii) LA 相较基线带来一致增益。先前自监督学习研究主要关注类 ImageNet 图像，其仅中心呈现一个主导物体。近期注意力已投向含多物体与多纹理的图像。组织学图像是此类研究的天然选择。我们展示了 CL 相较监督学习对此类数据在泛化性上的优越性，并提供了针对该观察的经验性理解。本工作的发现有助于理解模型在表征学习与组织学图像分析背景下的泛化方式。代码已公开。
引用
@article{arxiv.2202.09059,
title = {Towards better understanding and better generalization of few-shot classification in histology images with contrastive learning},
author = {Jiawei Yang and Hanbo Chen and Jiangpeng Yan and Xiaoyu Chen and Jianhua Yao},
journal= {arXiv preprint arXiv:2202.09059},
year = {2022}
}