Domain-Specific Pre-training Improves Confidence in Whole Slide Image Classification

要約

タイトル：ドメイン固有プレトレーニングは全スライド画像の分類における信頼性を向上させる
要約：
・全スライド画像（WSIs）または組織病理学画像は、デジタル病理学において使用されています。
・WSIsはそのサイズやピクセルレベルの注釈が不足しているという点から、臨床診断においてディープラーニングモデルにとって大きな課題を提供しています。
・コンピュータ病理学の最近の進歩により、新しい多重インスタンス学習ベースのモデルが提案されました。
・WSIの多重インスタンス学習には、パッチを作成し、これらのパッチのエンコードを使用して診断する必要があります。
・これらのモデルは、パッチエンコードに汎用の事前学習モデル（ImageNetで学習されたResNet-50）を使用しています。
・最近提案されたDenseNet121モデルのKimiaNetはTCGAスライドで前処理された固有ドメインの事前学習モデルです。
・この論文は、ドメイン固有プレトレーニングのWSI分類への効果を示しています。
・ドメイン固有プレトレーニングの効果を調査するために、現在の最先端の多重インスタンス学習モデルである、1）CLAM、注目ベースのモデル、および2）TransMIL、自己注目ベースのモデルを考慮し、Primary Brain Tumors – gliomasを検出するためのモデルの信頼性と予測性能を評価しました。
・ドメイン固有プレトレーニングはモデルの信頼性を向上させ、WSIに基づくグリオマサブタイプの分類の新しい最高水準を達成し、グリオマ診断を支援するのに高い臨床応用可能性を示しました。
・コードと実験結果は、https://github.com/soham-chitnis10/WSI-domain-specificで公開されます。

要約(オリジナル)

Whole Slide Images (WSIs) or histopathology images are used in digital pathology. WSIs pose great challenges to deep learning models for clinical diagnosis, owing to their size and lack of pixel-level annotations. With the recent advancements in computational pathology, newer multiple-instance learning-based models have been proposed. Multiple-instance learning for WSIs necessitates creating patches and uses the encoding of these patches for diagnosis. These models use generic pre-trained models (ResNet-50 pre-trained on ImageNet) for patch encoding. The recently proposed KimiaNet, a DenseNet121 model pre-trained on TCGA slides, is a domain-specific pre-trained model. This paper shows the effect of domain-specific pre-training on WSI classification. To investigate the effect of domain-specific pre-training, we considered the current state-of-the-art multiple-instance learning models, 1) CLAM, an attention-based model, and 2) TransMIL, a self-attention-based model, and evaluated the models’ confidence and predictive performance in detecting primary brain tumors – gliomas. Domain-specific pre-training improves the confidence of the models and also achieves a new state-of-the-art performance of WSI-based glioma subtype classification, showing a high clinical applicability in assisting glioma diagnosis. We will publicly share our code and experimental results at https://github.com/soham-chitnis10/WSI-domain-specific.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI