NearbyPatchCL: Leveraging Nearby Patches for Self-Supervised Patch-Level Multi-Class Classification in Whole-Slide Images

要約

全スライド画像 (WSI) 解析は、がんの診断と治療において重要な役割を果たします。
この重要なタスクの要求に対処する上で、自己教師あり学習 (SSL) 手法が貴重なリソースとして浮上し、その効率を活用して、教師付き学習を導入するには費用も時間もかかる大量のアノテーションの必要性を回避できます。
メソッド。
それにもかかわらず、パッチごとの表現は、主に WSI 内のパッチ選択に起因するクラスの不均衡により、パフォーマンスが不安定になる可能性があります。
この論文では、近傍パッチ対照学習 (NearbyPatchCL) を紹介します。これは、近くのパッチをポジティブ サンプルとして活用し、ロバストな表現学習のために分離されたコントラスト損失を利用する新しい自己教師あり学習方法です。
私たちの方法は、パッチレベルのマルチクラス分類を含む下流タスクのパフォーマンスが目に見えて向上することを示しています。
さらに、イヌ皮膚がん組織学から得た WSI に由来する新しいデータセットを厳選し、パッチレベルのマルチクラス分類方法論の厳密な評価のためのベンチマークを確立します。
集中的な実験の結果、私たちの手法は、87.56% のトップ 1 分類精度で、教師付きベースライン手法や最先端の​​ SSL 手法を大幅に上回っていることがわかりました。
また、私たちの方法は、ラベル付きデータのわずか 1% を利用しながら同等の結果を達成します。これは、他のアプローチの 100% ラベル付きデータ要件とは対照的です。
ソースコード: https://github.com/nvtien457/NearbyPatchCL

要約(オリジナル)

Whole-slide image (WSI) analysis plays a crucial role in cancer diagnosis and treatment. In addressing the demands of this critical task, self-supervised learning (SSL) methods have emerged as a valuable resource, leveraging their efficiency in circumventing the need for a large number of annotations, which can be both costly and time-consuming to deploy supervised methods. Nevertheless, patch-wise representation may exhibit instability in performance, primarily due to class imbalances stemming from patch selection within WSIs. In this paper, we introduce Nearby Patch Contrastive Learning (NearbyPatchCL), a novel self-supervised learning method that leverages nearby patches as positive samples and a decoupled contrastive loss for robust representation learning. Our method demonstrates a tangible enhancement in performance for downstream tasks involving patch-level multi-class classification. Additionally, we curate a new dataset derived from WSIs sourced from the Canine Cutaneous Cancer Histology, thus establishing a benchmark for the rigorous evaluation of patch-level multi-class classification methodologies. Intensive experiments show that our method significantly outperforms the supervised baseline and state-of-the-art SSL methods with top-1 classification accuracy of 87.56%. Our method also achieves comparable results while utilizing a mere 1% of labeled data, a stark contrast to the 100% labeled data requirement of other approaches. Source code: https://github.com/nvtien457/NearbyPatchCL

arxiv情報

提供元, 利用サービス

arxiv.jp, Google