Apr, 2024
基于有监督对比视觉变换器的乳腺组织病理图像分类
Supervised Contrastive Vision Transformer for Breast Histopathological
Image Classification
TL;DR使用监督对比视觉转换器（SupCon-ViT）的新方法，借助迁移学习和监督对比学习的优势，改进了浸润性导管癌（IDC）的分类准确性和泛化能力，并在基准乳腺癌数据集上取得了最先进的性能，F1分数为0.8188，精确度为0.7692，特异度为0.8971，超过现有的方法。该模型在有限标记数据的场景下表现出韧性，因此在标记数据有限的真实临床环境中具有高效性，研究结果表明，监督对比学习结合预训练的视觉转换器似乎是进行IDC准确分类的可行策略，从而为通过组织病理学图像分析更高效可靠的乳腺癌诊断铺平了道路。