使用修改后的监督对比学习方法对乳腺癌组织病理学图像进行分类
Matina Mahdizadeh Sani1, Ali Royat2, Mahdieh Soleymani Baghshah3
1Computer Science and Engineering, Sharif University of Technology, Tehran, Iran.
Medical & biological engineering & computing
|October 30, 2024
概括
这项研究通过改善监督对比学习来增强医疗图像分析的深度学习. 该方法提高了乳腺癌检测准确度,克服了有限数据带来的挑战.
科学领域:
- 医学图像分析 医学图像分析
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 深度神经网络在医学图像任务中表现出色,但在有限的数据上过度.
- 深度学习模型中的过度装配阻碍了疾病的准确分类和检测.
- 医疗图像分析模型的稳定性对于可靠的诊断工具至关重要.
研究的目的:
- 改善监督对比学习,用于医疗图像分析,数据有限.
- 为了增强模型的稳定性,使用域特定的增强来防止过拟合.
- 为了提高从组织病理学图像的乳腺癌检测的准确性.
主要方法:
- 综合自主监督预培训,采用双阶段监督对比学习策略.
- 采用修改后的监督对比损失来减少虚假负数和消除虚假正数.
- 引入了一种放松机制,以根据相似性来完善正负对.
主要成果:
- 在BreakHis数据集上实现了1.45%的图像级分类准确度增加.
- 在乳腺癌组织病理学图像分类中达到93.63%的绝对准确率.
- 证明了改进的模型稳定性和更合适的表示学习.
结论:
- 提出的方法有效地增强了医疗图像分析的深度学习模型,特别是在低数据场景中.
- 利用特定领域的增强和精细的对比学习可以提高诊断准确性.
- 该方法为乳腺癌检测提供了强大的解决方案,为先进的计算病理学工具铺平了道路.
