Core Concepts
本研究では、監視対照学習法を改良することで、限られたデータでも高精度な乳がん組織病理学画像の分類を実現する。
Abstract
本研究は、乳がん組織病理学画像の分類精度向上を目的としている。従来の監視学習手法は大量のラベル付きデータを必要とするが、医療分野ではデータが限られるという課題がある。そこで本研究では、自己教師学習と監視学習を組み合わせた改良監視対照学習法を提案する。
まず、自己教師学習のSimCLRを用いて事前学習を行う。次に、ラベル情報を活用した監視対照学習を2段階で行う。第1段階では、ラベルを用いて正例と負例のペアを作成し、表現学習を行う。第2段階では、表現空間上の類似度に基づいて正例と負例のペアを修正し、再学習を行う。最後に、分類タスクと補助タスクを組み合わせた監視学習によるファインチューニングを行う。
提案手法をBreakHisデータセットで評価した結果、従来手法と比べて画像レベルの分類精度が1.45%、患者レベルの分類精度が1.42%向上し、93.63%の高精度を達成した。また、BACH データセットでの汎化性能も確認できた。
Stats
乳がん組織病理学画像の分類精度は、従来手法と比べて画像レベルで1.45%、患者レベルで1.42%向上した。
提案手法の最終的な分類精度は93.63%に達した。
Quotes
"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."
"The growing importance of these methods in the medical domain highlights the urgent need to implement effective approaches to overcome these challenges more than ever."