DGMIL: Distribution Guided Multiple Instance Learning for Whole Slide Image Classification

要約

マルチインスタンスラーニング（MIL）は、組織病理学的全スライド画像（WSI）の分析に広く使用されています。
ただし、既存のMILメソッドは、データ分布を明示的にモデル化せず、代わりに、分類器をトレーニングすることによって、バッグレベルまたはインスタンスレベルの決定境界を区別して学習するだけです。
この論文では、DGMILを提案します。これは、WSI分類とポジティブパッチローカリゼーションのための機能配布ガイド付きディープMILフレームワークです。
複雑な識別ネットワークアーキテクチャを設計する代わりに、組織病理学的画像データの固有の特徴分布が、インスタンス分類の非常に効果的なガイドとして役立つ可能性があることを明らかにします。
最終的な特徴空間で正と負のインスタンスを簡単に分離できるように、クラスター条件付き特徴分布モデリング手法と疑似ラベルベースの反復特徴空間改良戦略を提案します。
CAMELYON16データセットとTCGA肺がんデータセットでの実験は、私たちの方法がグローバル分類とポジティブパッチローカリゼーションタスクの両方で新しいSOTAを達成することを示しています。

要約(オリジナル)

Multiple Instance Learning (MIL) is widely used in analyzing histopathological Whole Slide Images (WSIs). However, existing MIL methods do not explicitly model the data distribution, and instead they only learn a bag-level or instance-level decision boundary discriminatively by training a classifier. In this paper, we propose DGMIL: a feature distribution guided deep MIL framework for WSI classification and positive patch localization. Instead of designing complex discriminative network architectures, we reveal that the inherent feature distribution of histopathological image data can serve as a very effective guide for instance classification. We propose a cluster-conditioned feature distribution modeling method and a pseudo label-based iterative feature space refinement strategy so that in the final feature space the positive and negative instances can be easily separated. Experiments on the CAMELYON16 dataset and the TCGA Lung Cancer dataset show that our method achieves new SOTA for both global classification and positive patch localization tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google