Core Concepts
Kontrastbasierte Deep-Embeddings zeigen eine erhöhte Robustheit gegenüber verrauschten Etiketten bei der Klassifizierung histopathologischer Bilder im Vergleich zu nicht-kontrastbasierten Embeddings und gängigen Methoden zur Handhabung von Labelrauschen.
Abstract
Die Studie untersucht die Robustheit von Deep-Embeddings, die mit kontrastbasiertem selbstüberwachtem Lernen trainiert wurden, gegenüber verrauschten Etiketten bei der Klassifizierung histopathologischer Bilder.
Durch umfangreiche Experimente auf mehreren öffentlichen Datensätzen zeigen die Autoren, dass Klassifikatoren, die auf solchen kontrastbasierten Embeddings trainiert werden, eine deutlich höhere Robustheit gegenüber Labelrauschen aufweisen als Methoden, die direkt auf den Originalbildern trainiert werden, sowie im Vergleich zu nicht-kontrastbasierten Embeddings.
Die Ergebnisse verdeutlichen, dass die meisten aktuellen histopathologischen Grundmodelle die Bewertung der Robustheit gegenüber Labelrauschen in ihren Leistungsbewertungen vernachlässigen, obwohl dies eine der größten Herausforderungen in der digitalen Histopathologie darstellt. Die Studie liefert wichtige Erkenntnisse und Richtlinien für die zukünftige Entwicklung robuster histopathologischer Grundmodelle.
Stats
Die Genauigkeit von Klassifikatoren, die auf kontrastbasierten Embeddings trainiert wurden, bleibt bei zunehmender Labelverrauschung deutlich stabiler als die von Klassifikatoren, die auf Nicht-Kontrastembeddings trainiert wurden.
Quotes
"Kontrastbasierte Deep-Embeddings zeigen eine erhöhte Robustheit gegenüber verrauschten Etiketten bei der Klassifizierung histopathologischer Bilder im Vergleich zu nicht-kontrastbasierten Embeddings und gängigen Methoden zur Handhabung von Labelrauschen."
"Die Ergebnisse verdeutlichen, dass die meisten aktuellen histopathologischen Grundmodelle die Bewertung der Robustheit gegenüber Labelrauschen in ihren Leistungsbewertungen vernachlässigen, obwohl dies eine der größten Herausforderungen in der digitalen Histopathologie darstellt."