Evaluating histopathology transfer learning with ChampKit

要約

組織病理学は、さまざまな癌の診断のゴールドスタンダードのままです。
コンピュータビジョン、特に深層学習の最近の進歩により、免疫細胞の検出やマイクロサテライト不安定性の分類など、さまざまなタスクの組織病理学的画像の分析が容易になりました。
各タスクの最新技術では、多くの場合、ImageNetでの画像分類用に事前トレーニングされた基本アーキテクチャが採用されています。
組織病理学で分類子を開発するための標準的なアプローチは、タスク全体の一般化を改善するモデリングの革新の側面を考慮せずに、単一のタスクのモデルを最適化することに焦点を絞る傾向があります。
ここでは、ChampKit（モデル予測の包括的な組織病理学的評価toolKit）を紹介します。これは、さまざまな癌にわたるパッチレベルの画像分類タスクの幅広いコレクションで構成される、拡張可能で完全に再現可能なベンチマークツールキットです。
ChampKitを使用すると、モデルと方法論で提案された改善によるパフォーマンスへの影響を体系的に文書化できます。
ChampKitのソースコードとデータには、https：//github.com/kaczmarj/champkitから無料でアクセスできます。

要約(オリジナル)

Histopathology remains the gold standard for diagnosis of various cancers. Recent advances in computer vision, specifically deep learning, have facilitated the analysis of histopathology images for various tasks, including immune cell detection and microsatellite instability classification. The state-of-the-art for each task often employs base architectures that have been pretrained for image classification on ImageNet. The standard approach to develop classifiers in histopathology tends to focus narrowly on optimizing models for a single task, not considering the aspects of modeling innovations that improve generalization across tasks. Here we present ChampKit (Comprehensive Histopathology Assessment of Model Predictions toolKit): an extensible, fully reproducible benchmarking toolkit that consists of a broad collection of patch-level image classification tasks across different cancers. ChampKit enables a way to systematically document the performance impact of proposed improvements in models and methodology. ChampKit source code and data are freely accessible at https://github.com/kaczmarj/champkit .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google