Single-Stage Broad Multi-Instance Multi-Label Learning (BMIML) with Diverse Inter-Correlations and its application to medical image classification

要約

多くの実世界アプリケーションにおいて、1つのオブジェクト（例えば画像）は複数のインスタンス（例えば画像パッチ）によって表現または記述され、同時に複数のラベルと関連付けられることがある。このようなアプリケーションはマルチインスタンス・マルチラベル学習（MIML）問題として定式化することができ、過去数年の間に広く研究されてきた。既存のMIML手法は多くのアプリケーションで有用であるが、その多くは、i) ラベル間相関（すなわち、オブジェクトに対応する複数のラベル間の確率的相関）が無視されている、ii) インスタンス間相関は、インスタンスラベルが欠損するため他のタイプの相関と直接（あるいは共同で）学習できない、iii) 多様な相互相関（例えば、ラベル間相関、インスタンス間相関）は多段階で学習するしかない、という問題により比較的低い精度や学習効率で悩まされている。これらの問題を解決するために、広範なマルチインスタンス・マルチラベル学習（BMIML）と呼ばれる新しいシングルステージの枠組みが提案される。BMIMLでは、3つの革新的なモジュールがある：i) 広域学習システム（BLS）に基づく自動重み付けラベル強化学習（AWLEL）、ii) 拡張可能マルチインスタンス確率回帰（SMIPR）という特定のMIMLニューラルネットワーク、iii) 最後に、対話的決定最適化（IDO）である。その結果、BMIMLは画像全体、インスタンス、ラベル間の多様な相互相関を一度に学習することができ、高い分類精度と学習時間の大幅な短縮を実現することができる。実験によれば、BMIMLは大規模な医用画像データセット（> 90K画像）においても、既存の手法と高い精度で競合し（あるいはそれ以上）、ほとんどのMIML手法よりもはるかに高速であることが示されている。

要約(オリジナル)

In many real-world applications, one object (e.g., image) can be represented or described by multiple instances (e.g., image patches) and simultaneously associated with multiple labels. Such applications can be formulated as multi-instance multi-label learning (MIML) problems and have been extensively studied during the past few years. Existing MIML methods are useful in many applications but most of which suffer from relatively low accuracy and training efficiency due to several issues: i) the inter-label correlations (i.e., the probabilistic correlations between the multiple labels corresponding to an object) are neglected; ii) the inter-instance correlations cannot be learned directly (or jointly) with other types of correlations due to the missing instance labels; iii) diverse inter-correlations (e.g., inter-label correlations, inter-instance correlations) can only be learned in multiple stages. To resolve these issues, a new single-stage framework called broad multi-instance multi-label learning (BMIML) is proposed. In BMIML, there are three innovative modules: i) an auto-weighted label enhancement learning (AWLEL) based on broad learning system (BLS); ii) A specific MIML neural network called scalable multi-instance probabilistic regression (SMIPR); iii) Finally, an interactive decision optimization (IDO). As a result, BMIML can achieve simultaneous learning of diverse inter-correlations between whole images, instances, and labels in single stage for higher classification accuracy and much faster training time. Experiments show that BMIML is highly competitive to (or even better than) existing methods in accuracy and much faster than most MIML methods even for large medical image data sets (> 90K images).

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL