Ce travail présente une nouvelle méthode d'auto-supervision pré-entraînée pour apprendre des représentations efficaces sans étiquettes sur des images médicales d'histopathologie en utilisant des facteurs de grossissement. Les autres travaux de pointe se concentrent principalement sur des approches d'apprentissage supervisé qui dépendent fortement des annotations humaines. Cependant, la rareté des données étiquetées et non étiquetées est un défi de longue date dans le domaine de l'histopathologie. Actuellement, l'apprentissage de représentations sans étiquettes reste sous-exploité pour l'histopathologie. La méthode proposée, la Similarité Contrastive à Priori de Grossissement (MPCS) [Magnification Prior Contrastive Similarity], permet l'apprentissage auto-supervisé de représentations sans étiquettes sur un petit ensemble de données de cancer du sein BreakHis en exploitant le facteur de grossissement, le transfert inductif et en réduisant les a priori humains. Cette méthode atteint les performances de pointe de l'apprentissage supervisé en classification de malignité lorsque seulement 20 % des étiquettes sont utilisées pour le réglage fin et surpassent les travaux précédents dans les configurations d'apprentissage supervisé complet. Elle établit une hypothèse et fournit des preuves empiriques soutenant que la réduction des a priori humains conduit à un apprentissage efficace de représentations en auto-supervision. L'implémentation de ce travail est disponible en ligne sur GitHub - https://github.com/prakashchhipa/Magnification-Prior-Self-Supervised-Method