Asymmetric Co-Training with Explainable Cell Graph Ensembling for Histopathological Image Classification

要約

畳み込みニューラル ネットワークは、病理組織学的画像分類には優れていますが、ピクセル レベルでの焦点が説明可能性を妨げます。
逆に、新たなグラフ畳み込みネットワークは、細胞レベルの特徴と医学的意義に焦点を当てています。
ただし、GCN はその浅さと高次元ピクセル データの次善的な使用によって制限され、マルチクラスの組織病理学的画像分類ではパフォーマンスが低下します。
ピクセルレベルと細胞レベルの特徴を動的に最大限に活用するために、マルチクラスの組織病理学的画像分類のためのディープグラフ畳み込みネットワークと畳み込みニューラルネットワークを組み合わせた非対称同時トレーニングフレームワークを提案します。
セルの形態学的および位相的分布を埋め込むことでフレームワーク全体の説明可能性を向上させるために、セル グラフ データを処理するための 14 層のディープ グラフ畳み込みネットワークを構築します。
ピクセルレベルとセルレベルの情報間のさらなる利用と動的な相互作用のために、2 つの非対称ブランチを統合するための共同トレーニング戦略も設計します。
特に、私たちは、まれでより困難な肺腺癌の 7 つのサブタイプを含む、LUAD7C と呼ばれる民間の臨床的に取得されたデータセットを収集しています。
私たちは、プライベートの LUAD7C およびパブリックの結腸直腸癌データセットに対するアプローチを評価し、マルチクラスの組織病理学的画像分類におけるその優れたパフォーマンス、説明可能性、および一般化可能性を示しました。

要約(オリジナル)

Convolutional neural networks excel in histopathological image classification, yet their pixel-level focus hampers explainability. Conversely, emerging graph convolutional networks spotlight cell-level features and medical implications. However, limited by their shallowness and suboptimal use of high-dimensional pixel data, GCNs underperform in multi-class histopathological image classification. To make full use of pixel-level and cell-level features dynamically, we propose an asymmetric co-training framework combining a deep graph convolutional network and a convolutional neural network for multi-class histopathological image classification. To improve the explainability of the entire framework by embedding morphological and topological distribution of cells, we build a 14-layer deep graph convolutional network to handle cell graph data. For the further utilization and dynamic interactions between pixel-level and cell-level information, we also design a co-training strategy to integrate the two asymmetric branches. Notably, we collect a private clinically acquired dataset termed LUAD7C, including seven subtypes of lung adenocarcinoma, which is rare and more challenging. We evaluated our approach on the private LUAD7C and public colorectal cancer datasets, showcasing its superior performance, explainability, and generalizability in multi-class histopathological image classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google