Vergrößerungsprior: Eine selbstüberwachte Methode zum Lernen von Repräsentationen auf histopathologischen Bildern von Brustkrebs

Diese Arbeit präsentiert eine neue selbstüberwachte Vortrainingsmethode, um effiziente Repräsentationen ohne Labels in histopathologischen medizinischen Bildern zu lernen, indem Vergrößerungsfaktoren genutzt werden. Andere Stand der Technik Arbeiten konzentrieren sich hauptsächlich auf vollständig überwachte Lernansätze, die stark auf menschliche Annotationen angewiesen sind. Die Knappheit von etikettierten und nicht-etikettierten Daten ist jedoch seit langem eine Herausforderung in der Histopathologie. Derzeit bleibt das Lernen von Repräsentationen ohne Labels im Bereich der Histopathologie weitgehend unerforscht. Die vorgeschlagene Methode, Magnification Prior Contrastive Similarity (MPCS), ermöglicht das selbstüberwachte Lernen von Repräsentationen ohne Labels anhand des kleinen Brustkrebsdatensatzes BreakHis durch die Nutzung von Vergrößerungsfaktoren, induktiver Transfer und Reduzierung des menschlichen Vorwissens. Die vorgeschlagene Methode erreicht den Stand der Technik bei der Malignitätsklassifizierung, wenn nur 20 % der Labels für das Feinjustieren verwendet werden, und übertrifft frühere Arbeiten in vollständig überwachten Lernszenarien. Sie formuliert eine Hypothese und liefert empirische Beweise dafür, dass die Reduzierung des menschlichen Vorwissens zu effizientem Repräsentationslernen im Selbstüberwachungsmodus führt. Die Implementierung dieser Arbeit ist online auf GitHub verfügbar:https://github.com/prakashchhipa/Magnification-Prior-Self-Supervised-Method