用少量标注数据提升乳腺癌病理图像分类准确率

DCS-ST for Classification of Breast Cancer Histopathology Images with Limited Annotations

• 提出DCS-ST方法，融合自监督与半监督学习
• 在仅10%标注数据下达到92.3%准确率
• 适合标注稀缺的医学图像分析场景

深度学习在乳腺癌病理图像分类中表现良好，但在标注数据有限时性能显著下降，这在医学影像中尤为突出，因标注需高成本和专业能力。本文提出DCS-ST方法，结合自监督预训练与半监督微调，在仅有10%标注数据的情况下，实现了92.3%的分类准确率，显著优于现有方法。该方法通过构建跨域对比学习框架，增强模型对病理特征的泛化能力，为标注资源受限的医疗图像分析提供了高效解决方案。

原文摘要 · Abstract (English)

Deep learning methods have shown promise in classifying breast cancer histopathology images, but their performance often declines with limited annotated data, a critical challenge in medical imaging due to the high cost and expertise required for annotations.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。