MixUp-MIL: Novel Data Augmentation for Multiple Instance Learning and a Study on Thyroid Cancer Diagnosis

要約

複数インスタンス学習は、画素レベルあるいはパッチレベルのアノテーションがない場合に、スライド画像全体に基づく診断のための強力なアプローチであることを示す。しかし、ホールスライド画像は非常に大きなサイズであるにもかかわらず、個々のスライドの枚数が少ないため、ラベル付けされたサンプルの数が少なくなってしまう。そこで我々は、特徴ベクトルの線形補間（MixUp）の考え方に基づき、複数インスタンス学習のための様々なデータ補強戦略を提案・検討する。最新の複数インスタンス学習アーキテクチャと2つの甲状腺がんデータセットに基づき、一般的なデータ補強戦略の範囲を考慮した網羅的な研究を行う。オリジナルのMixUpアプローチに基づく戦略では精度の低下が見られたが、新しいスライド内補間法の使用により、一貫して精度の向上が見られた。

要約(オリジナル)

Multiple instance learning exhibits a powerful approach for whole slide image-based diagnosis in the absence of pixel- or patch-level annotations. In spite of the huge size of hole slide images, the number of individual slides is often rather small, leading to a small number of labeled samples. To improve training, we propose and investigate different data augmentation strategies for multiple instance learning based on the idea of linear interpolations of feature vectors (known as MixUp). Based on state-of-the-art multiple instance learning architectures and two thyroid cancer data sets, an exhaustive study is conducted considering a range of common data augmentation strategies. Whereas a strategy based on to the original MixUp approach showed decreases in accuracy, the use of a novel intra-slide interpolation method led to consistent increases in accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL