.png){kind=icon}
返回
Enhancing histopathological image classification through multi-view momentum encoding learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06931-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多视角自监督学习利用来自多个独立视角的数据，通过自监督方法学习特征。然而，这种方法面临挑战，例如有效整合不同视角的特征以及最大化负样本的选择。同时，组织病理学图像包含对疾病诊断至关重要的丰富详细信息。然而，组织病理学图像也面临若干挑战，包括高标注成本、数据不平衡以及对颜色变化的敏感性。为解决这些问题，我们提出了一种基于多视角自监督学习的三视角动量编码器模型（View3M）用于组织病理学图像分析。首先，我们采用数据增强技术来解决组织病理学图像中的颜色敏感性问题。其次，我们构建三个视角来学习图像特征，并引入余弦退火算法动态更新动量编码器以最大化负样本数量。接着，我们设计了一种三视角一致性对比损失函数来比较不同视角的特征。最后，我们利用迁移学习来应对样本量有限这一挑战。在三个公开可用的、涵盖不同类别和规模的组织病理学图像数据集上进行的实验表明，该模型在分类基准测试中达到了最先进的准确率和鲁棒性。
Keyword:
Multi-view
Color augmentation
Momentum encoder
Consistency contrastive
Histopathological images
