Differentiable Zooming for Multiple Instance Learning on Whole-Slide Images

要約

マルチインスタンスラーニング（MIL）メソッドは、デジタルパソロジーでギガピクセルサイズの全スライド画像（WSI）を分類するためにますます一般的になっています。
ほとんどのMILメソッドは、すべての組織パッチを処理することにより、単一のWSI倍率で動作します。
このような定式化は、高い計算要件を引き起こし、WSIレベルの表現のコンテキスト化を単一のスケールに制約します。
いくつかのMILメソッドは複数のスケールに拡張されますが、計算量が多くなります。
この論文では、病理診断プロセスに触発されて、エンドツーエンドの方法でマルチレベルズームを実行することを学習する方法であるZoomMILを提案します。
ZoomMILは、複数の倍率から組織コンテキスト情報を集約することにより、WSI表現を構築します。
提案された方法は、2つの大きなデータセットのWSI分類で最先端のMIL方法を上回り、浮動小数点演算（FLOP）と処理時間に関する計算要求を最大40分の1に削減します。

要約(オリジナル)

Multiple Instance Learning (MIL) methods have become increasingly popular for classifying giga-pixel sized Whole-Slide Images (WSIs) in digital pathology. Most MIL methods operate at a single WSI magnification, by processing all the tissue patches. Such a formulation induces high computational requirements, and constrains the contextualization of the WSI-level representation to a single scale. A few MIL methods extend to multiple scales, but are computationally more demanding. In this paper, inspired by the pathological diagnostic process, we propose ZoomMIL, a method that learns to perform multi-level zooming in an end-to-end manner. ZoomMIL builds WSI representations by aggregating tissue-context information from multiple magnifications. The proposed method outperforms the state-of-the-art MIL methods in WSI classification on two large datasets, while significantly reducing the computational demands with regard to Floating-Point Operations (FLOPs) and processing time by up to 40x.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google