拡大事前分布：乳がん組織病理学画像の表現学習のための自己監督手法

本研究提出了一种新颖的自我监督预训练方法，利用放大倍率在组织病理学医学图像上无标签学习高效表示。其他最先进（state-of-the-art）的研究主要集中在依赖大量人工标注数据的完全监督学习方法上。然而，组织病理学中标签数据和未标签数据的稀缺性一直是长期存在的挑战。目前，在组织病理学领域内，无标签表示学习尚未得到充分探索。本研究提出的 Magnification Prior Contrastive Similarity (MPCS) 方法通过利用放大倍率、归纳迁移以及减少人类先验知识，在小规模乳腺癌数据集 BreakHis 上实现了无需标签的自我监督表示学习。当仅使用 20% 的标签进行微调时，该方法在恶性肿瘤分类任务中的表现与完全监督学习的最先进水平相当，并且在完全监督学习设置下优于以往的工作。本研究提出了一个假设，并提供了实证证据支持减少人类先验知识可以提高自我监督下的高效表示学习效果。本研究的实现代码已在线发布于 GitHub - https://github.com/prakashchhipa/Magnification-Prior-Self-Supervised-Methodこの研究では、組織病理学の医療画像においてラベルなしで効率的な表現を学習するための新しい自己監督事前学習手法を提案します。他の最先端の研究は、主に大量の人間によるアノテーションに依存する完全教師あり学習手法に焦点を当てていますが、組織病理学におけるラベル付きデータとラベルなしデータの希少性は長年の課題となっています。現在、組織病理学分野でのラベルなし表現学習は十分に探求されていません。提案された Magnification Prior Contrastive Similarity (MPCS) 法は、小規模な乳がんデータセット BreakHis を用いて、拡大倍率の利用、帰納転移、および人間の先験知識の削減によってラベルなしでの自己監督表現学習を可能にします。微調整時に20% のラベルのみを使用した場合でも、この手法は悪性腫瘍分類タスクにおいて完全教師あり学習の最先端レベルと同等の性能を示し、完全教師あり学習設定では従来の手法を上回ります。本研究では、人間の先験知識を削減することで自己監督下での効率的な表現学習が向上するとする仮説を立て、その実証的な根拠も提供しています。また、本研究の実装コードは GitHub でオンライン公開されています - https://github.com/prakashchhipa/Magnification-Prior-Self-Supervised-Method