Multiple Instance Learning for Digital Pathology: A Review on the State-of-the-Art, Limitations & Future Potential

要約

デジタル全体のスライド画像には膨大な量の情報が含まれており、自動画像分析ツールの開発に強い動機を与えます。
特にディープニューラルネットワークは、デジタルパソロジー分野のさまざまなタスクに関して高い可能性を示しています。
ただし、一般的な深層学習アルゴリズムでは、効果的なトレーニングを可能にするために、大量の画像データに加えて (手動の) アノテーションが必要であるという事実によって制限が生じます。
マルチ インスタンス学習は、完全に注釈が付けられたデータがないシナリオでディープ ニューラル ネットワークを学習するための強力なツールを示します。
これらの方法は、完全なスライド画像全体のラベルが日常的に取得されることが多いのに対し、パッチ、領域、またはピクセルのラベルは取得されないという事実により、この分野で特に効果的です。
この可能性により、すでにかなりの数の出版物が出版されており、その大部分は過去 3 年間に出版されました。
データの入手可能性と医学的観点からの高いモチベーションに加えて、強力なグラフィックス処理ユニットの入手可能性がこの分野の加速を示しています。
このペーパーでは、広く効果的に使用されている深層マルチインスタンス学習アプローチの概念と最近の進歩について概要を示し、残された課題と将来の可能性についても批判的に議論します。

要約(オリジナル)

Digital whole slides images contain an enormous amount of information providing a strong motivation for the development of automated image analysis tools. Particularly deep neural networks show high potential with respect to various tasks in the field of digital pathology. However, a limitation is given by the fact that typical deep learning algorithms require (manual) annotations in addition to the large amounts of image data, to enable effective training. Multiple instance learning exhibits a powerful tool for learning deep neural networks in a scenario without fully annotated data. These methods are particularly effective in this domain, due to the fact that labels for a complete whole slide image are often captured routinely, whereas labels for patches, regions or pixels are not. This potential already resulted in a considerable number of publications, with the majority published in the last three years. Besides the availability of data and a high motivation from the medical perspective, the availability of powerful graphics processing units exhibits an accelerator in this field. In this paper, we provide an overview of widely and effectively used concepts of used deep multiple instance learning approaches, recent advances and also critically discuss remaining challenges and future potential.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google