Cross-scale Attention Guided Multi-instance Learning for Crohn’s Disease Diagnosis with Pathological Images

要約

マルチインスタンス学習 (MIL) は、病理学的全スライド画像 (WSI) のコンピューター支援解釈で広く使用され、ピクセル単位またはパッチ単位の注釈の欠如を解決します。
多くの場合、このアプローチは、WSI のマルチスケール (つまり、ピラミッド型) の性質を見落とす「自然なイメージ駆動型」の MIL アルゴリズムを直接適用します。
既製の MIL アルゴリズムは通常、単一スケールの WSI (倍率 20 倍など) で展開されますが、人間の病理学者は通常、グローバル パターンとローカル パターンをマルチスケールで集約します (たとえば、異なるスケール間でズームインおよびズームアウトすることにより)。
倍率）。
この研究では、炎症性腸疾患の一形態であるクローン病 (CD) の単一の MIL ネットワークにスケール間相互作用を明示的に集約するための、新しいスケール間注意メカニズムを提案します。
この論文の貢献は2つあります。（1）マルチスケールの相互作用で異なる解像度からの機能を集約するために、クロススケールの注意メカニズムが提案されています。
（2）説明可能な病変パターンをローカライズするために、差分マルチスケール注意視覚化が生成されます。
さまざまなスケールで 20 人の CD 患者と 30 人の健康な対照サンプルから ~250,000 の H&E 染色された上行結腸 (AC) パッチをトレーニングすることにより、私たちのアプローチは、ベースライン モデルと比較して 0.8924 の優れた曲線下面積 (AUC) スコアを達成しました。
公式の実装は、https://github.com/hrlblab/CS-MIL で公開されています。

要約(オリジナル)

Multi-instance learning (MIL) is widely used in the computer-aided interpretation of pathological Whole Slide Images (WSIs) to solve the lack of pixel-wise or patch-wise annotations. Often, this approach directly applies ‘natural image driven’ MIL algorithms which overlook the multi-scale (i.e. pyramidal) nature of WSIs. Off-the-shelf MIL algorithms are typically deployed on a single-scale of WSIs (e.g., 20x magnification), while human pathologists usually aggregate the global and local patterns in a multi-scale manner (e.g., by zooming in and out between different magnifications). In this study, we propose a novel cross-scale attention mechanism to explicitly aggregate inter-scale interactions into a single MIL network for Crohn’s Disease (CD), which is a form of inflammatory bowel disease. The contribution of this paper is two-fold: (1) a cross-scale attention mechanism is proposed to aggregate features from different resolutions with multi-scale interaction; and (2) differential multi-scale attention visualizations are generated to localize explainable lesion patterns. By training ~250,000 H&E-stained Ascending Colon (AC) patches from 20 CD patient and 30 healthy control samples at different scales, our approach achieved a superior Area under the Curve (AUC) score of 0.8924 compared with baseline models. The official implementation is publicly available at https://github.com/hrlblab/CS-MIL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google