Glioma subtype classification from histopathological images using in-domain and out-of-domain transfer learning: An experimental study

要約

この論文では、成人型びまん性神経膠腫のコンピュータ支援分類のためのさまざまな転移学習戦略と深層学習アーキテクチャの包括的な比較を提供します。
私たちは、組織病理学画像のターゲットドメインに対するドメイン外の ImageNet 表現の一般化可能性を評価し、中規模から大規模のシステムを使用してモデルを事前トレーニングするための自己教師ありマルチタスク学習アプローチを使用したドメイン内適応の影響を研究します。
病理組織画像のスケール データセット。
さらに、半教師あり学習アプローチが提案されており、微調整されたモデルを利用して、スライド画像全体 (WSI) の注釈のない領域のラベルが予測されます。
その後モデルは、前のステップで決定されたグラウンドトゥルースラベルと弱いラベルを使用して再トレーニングされ、96.91% のバランスの取れた精度と 97.07% の F1 スコアで標準的なドメイン内転移学習と比較して優れたパフォーマンスを提供し、病理学者の労力を最小限に抑えます。
注釈用。
最後に、腫瘍領域を強調表示するヒートマップを生成する WSI レベルで動作する視覚化ツールを提供します。
したがって、WSI の最も有益な部分に関する洞察を病理学者に提供します。

要約(オリジナル)

We provide in this paper a comprehensive comparison of various transfer learning strategies and deep learning architectures for computer-aided classification of adult-type diffuse gliomas. We evaluate the generalizability of out-of-domain ImageNet representations for a target domain of histopathological images, and study the impact of in-domain adaptation using self-supervised and multi-task learning approaches for pretraining the models using the medium-to-large scale datasets of histopathological images. A semi-supervised learning approach is furthermore proposed, where the fine-tuned models are utilized to predict the labels of unannotated regions of the whole slide images (WSI). The models are subsequently retrained using the ground-truth labels and weak labels determined in the previous step, providing superior performance in comparison to standard in-domain transfer learning with balanced accuracy of 96.91% and F1-score 97.07%, and minimizing the pathologist’s efforts for annotation. Finally, we provide a visualization tool working at WSI level which generates heatmaps that highlight tumor areas; thus, providing insights to pathologists concerning the most informative parts of the WSI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google