Classification of Breast Cancer Histopathology Images using a Modified Supervised Contrastive Learning Method

要約

ディープニューラルネットワークは、医療画像処理タスク、特に様々な疾患の分類と検出において目覚ましい成果を上げている。しかし、限られたデータに直面した場合、これらのネットワークは致命的な脆弱性に直面し、多くの場合、利用可能な限られた情報を過剰に記憶することによってオーバーフィッティングに屈する。本研究では、教師あり対比学習法を改良することで、偽陽性の影響を軽減し、上記の課題に対処する。完全教師あり学習に主に依存する多くの既存の手法とは異なり、我々のアプローチは、利用可能なラベル付きデータを採用することと併せて、自己教師あり学習の利点を活用する。乳がんの病理組織画像からなるBreakHisデータセットで我々の手法を評価し、最先端の手法と比較して、画像レベルで1.45%、患者レベルで1.42%の分類精度の向上を実証した。この改善は93.63%の絶対精度に相当し、データ特性を活用してより適切な表現空間を学習する我々のアプローチの有効性を強調している。

要約(オリジナル)

Deep neural networks have reached remarkable achievements in medical image processing tasks, specifically classifying and detecting various diseases. However, when confronted with limited data, these networks face a critical vulnerability, often succumbing to overfitting by excessively memorizing the limited information available. This work addresses the challenge mentioned above by improving the supervised contrastive learning method to reduce the impact of false positives. Unlike most existing methods that rely predominantly on fully supervised learning, our approach leverages the advantages of self-supervised learning in conjunction with employing the available labeled data. We evaluate our method on the BreakHis dataset, which consists of breast cancer histopathology images, and demonstrate an increase in classification accuracy by 1.45% at the image level and 1.42% at the patient level compared to the state-of-the-art method. This improvement corresponds to 93.63% absolute accuracy, highlighting our approach’s effectiveness in leveraging data properties to learn more appropriate representation space.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL