MB-DSMIL-CL-PL: Scalable Weakly Supervised Ovarian Cancer Subtype Classification and Localisation Using Contrastive and Prototype Learning with Frozen Patch Features

Created by

Haebom

저자

Marcus Jenkins, Jasenka Mazibrada, Bogdan Leahu, Michal Mackiewicz

💡 개요

본 논문은 난소암 조직병리학 이미지의 아형 분류 및 국소화를 위한 확장 가능한 약 지도 학습 방법을 제안합니다. 제안 방법은 동결 패치 특징 기반으로 대조 학습과 프로토타입 학습을 활용하여, 기존 방법론 대비 정확도 향상과 더불어 훈련 및 실험 시간 단축이라는 확장성을 확보했습니다. 이를 통해 인스턴스 및 슬라이드 레벨 분류 정확도를 획기적으로 개선하고, 인스턴스 국소화 성능 또한 향상시켰습니다.

🔑 시사점 및 한계

•

기존의 동결된 특징 기반 방법론의 정확도 한계를 대조 학습 및 프로토타입 학습으로 극복하여, 확장성과 정확도를 동시에 달성했습니다.

•

특히, 난소암 아형 분류 및 국소화라는 특정 임상 적용 영역에서 기존 SOTA(State-of-the-art) 방법론 대비 우수한 성능을 입증했습니다.

•

제안된 방법론이 다양한 조직병리학 이미지 데이터셋 및 다른 질병에 대한 일반화 가능성에 대한 추가적인 검증이 필요합니다.

PDF 보기

Made with Slashpage