ProtoDiv: Prototype-guided Division of Consistent Pseudo-bags for Whole-slide Image Classification

要約

タイトル：ProtoDiv：全体スライド画像分類のための一貫性のある疑似バッグのプロトタイプによる分割

要約：多くのラベルが弱い全体スライド画像（WSI）サンプルの制限により、疑似バッグを用いた多重インスタンス学習（MIL）がWSI分類において有望な選択肢となっています。しかし、分類のパフォーマンスに重要な影響を与える疑似バッグの分割スキームは、まだ探究する価値があるオープンなトピックです。本論文では、WSI疑似バッグの分割にプロトタイプを使用する新しいスキームProtoDivを提案しています。複雑なネットワークアーキテクチャを設計するのではなく、このスキームはプラグインアンドプレイのアプローチを取り、有効なトレーニングにWSIデータを安全に拡張しながら、サンプルの一貫性を保持します。さらに、分類タスクに適応するためにトレーニング中に動的に最適化できる注目ベースのプロトタイプを特別に考案しています。ProtoDivスキームを7つのベースラインモデルに適用し、2つの公開WSIデータセットで比較実験を行いました。実験結果は、ProtoDivが通常WSI分類に明らかな性能向上をもたらすことを確認しています。

– WSI画像の分類において、疑似バッグを使用した多重インスタンス学習（MIL）が有望な選択肢
– 疑似バッグの分割スキームは、分類のパフォーマンスに影響を与えるため、未解決の課題
– ProtoDivスキームは、WSI疑似バッグの分割にプロトタイプを使用することで、有効なトレーニングと一貫性のあるサンプルを保持
– 注目ベースのプロトタイプを特別に考案し、分類タスクに適応することができる
– ProtoDivスキームを7つのベースラインモデルに適用し、2つの公開WSIデータセットで比較実験を行い、性能向上を確認

要約(オリジナル)

Due to the limitations of inadequate Whole-Slide Image (WSI) samples with weak labels, pseudo-bag-based multiple instance learning (MIL) appears as a vibrant prospect in WSI classification. However, the pseudo-bag dividing scheme, often crucial for classification performance, is still an open topic worth exploring. Therefore, this paper proposes a novel scheme, ProtoDiv, using a bag prototype to guide the division of WSI pseudo-bags. Rather than designing complex network architecture, this scheme takes a plugin-and-play approach to safely augment WSI data for effective training while preserving sample consistency. Furthermore, we specially devise an attention-based prototype that could be optimized dynamically in training to adapt to a classification task. We apply our ProtoDiv scheme on seven baseline models, and then carry out a group of comparison experiments on two public WSI datasets. Experiments confirm our ProtoDiv could usually bring obvious performance improvements to WSI classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI