Domain Adaptive Multiple Instance Learning for Instance-level Prediction of Pathological Images

要約

タイトル：病理画像のインスタンスレベル予測のためのドメイン適応マルチインスタンス学習

要約：
– 病理画像解析は、細胞画像からがんなどの異常を検出するための重要なプロセスである。
– しかし、イメージサイズが大きいため、詳細な注釈を提供するコストが高いため、機械学習技術を適用することが困難である。
– 注釈コストを低く保ちながら異常を識別する性能を改善する方法として、各スライドのラベルのみを使用するか、既にラベルが付いた別のデータセットからの情報を使用することがある。
– しかし、そのような弱い監督情報は、十分な性能を提供しないことが多い。
– 本論文では、注釈コストを増やすことなく、ターゲットデータセットの分類性能を改善する新しいタスク設定を提案している。
– この問題を解決するために、マルチインスタンス学習（MIL）とドメイン適応（DA）方法を使用するパイプラインを提案している。
– さらに、両方の方法の監督情報を効果的に組み合わせるために、高信頼度の擬似ラベルを作成する方法を提案している。
– 本研究のために作成した病理画像データセットを用いた実験を行い、提案手法が既存の手法に比べて分類性能を大幅に改善することを示した。

要約(オリジナル)

Pathological image analysis is an important process for detecting abnormalities such as cancer from cell images. However, since the image size is generally very large, the cost of providing detailed annotations is high, which makes it difficult to apply machine learning techniques. One way to improve the performance of identifying abnormalities while keeping the annotation cost low is to use only labels for each slide, or to use information from another dataset that has already been labeled. However, such weak supervisory information often does not provide sufficient performance. In this paper, we proposed a new task setting to improve the classification performance of the target dataset without increasing annotation costs. And to solve this problem, we propose a pipeline that uses multiple instance learning (MIL) and domain adaptation (DA) methods. Furthermore, in order to combine the supervisory information of both methods effectively, we propose a method to create pseudo-labels with high confidence. We conducted experiments on the pathological image dataset we created for this study and showed that the proposed method significantly improves the classification performance compared to existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI