Learning Binary and Sparse Permutation-Invariant Representations for Fast and Memory Efficient Whole Slide Image Search

要約

効率的な検索システムに適したスライド全体の画像 (WSI) 表現を学習することは、簡単な作業ではありません。
現在の方法で得られた WSI 埋め込みはユークリッド空間にあり、効率的な WSI 検索には理想的ではありません。
さらに、現在の方法のほとんどは、複数のパッチ セットを同時に処理するため、大量の GPU メモリを必要とします。
これらの課題に対処するために、ディープ ジェネレーティブ モデリングとフィッシャー ベクトルを利用してバイナリおよびスパース WSI 表現を学習するための新しいフレームワークを提案します。
インスタンスベースのトレーニングを採用し、より優れたメモリ効率を実現するスパースおよびバイナリ順列不変の WSI 表現を学習するための新しい損失関数を導入します。
学習した WSI 表現は、The Cancer Genomic Atlas (TCGA) および Liver-Kidney-Stomach (LKS) データセットで検証されます。
提案された方法は、検索精度と速度の両方の点で、Yottixel (病理組織画像の最近の検索エンジン) よりも優れています。
さらに、WSI 分類のパブリック ベンチマーク LKS データセットで、SOTA に対して競争力のあるパフォーマンスを達成しています。

要約(オリジナル)

Learning suitable Whole slide images (WSIs) representations for efficient retrieval systems is a non-trivial task. The WSI embeddings obtained from current methods are in Euclidean space not ideal for efficient WSI retrieval. Furthermore, most of the current methods require high GPU memory due to the simultaneous processing of multiple sets of patches. To address these challenges, we propose a novel framework for learning binary and sparse WSI representations utilizing a deep generative modelling and the Fisher Vector. We introduce new loss functions for learning sparse and binary permutation-invariant WSI representations that employ instance-based training achieving better memory efficiency. The learned WSI representations are validated on The Cancer Genomic Atlas (TCGA) and Liver-Kidney-Stomach (LKS) datasets. The proposed method outperforms Yottixel (a recent search engine for histopathology images) both in terms of retrieval accuracy and speed. Further, we achieve competitive performance against SOTA on the public benchmark LKS dataset for WSI classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google