Distilling Local Texture Features for Colorectal Tissue Classification in Low Data Regimes

要約

多クラスの結腸直腸組織分類は、十分な量のトレーニング データが利用可能であると想定される環境で通常対処される困難な問題です。
ただし、複数のクラスのきめの細かい結腸直腸組織サンプル、特に間質腫瘍や肛門がんなどのまれなサンプルに手動でアノテーションを付けるのは、手間と費用がかかります。
これに対処するために、我々は、KD-CTCNet と呼ばれる知識蒸留ベースのアプローチを提案します。このアプローチは、蒸留損失を通じて少数の組織サンプルから局所的なテクスチャ情報を効果的に取得し、標準の CNN 特徴を改善します。
結果として得られる強化された特徴表現により、特に低データ領域での分類パフォーマンスが向上します。
結腸直腸組織の 2 つの公開データセットに対する広範な実験により、提案された貢献の利点が明らかになり、低データ設定全体でさまざまなアプローチよりも一貫した利益が達成されました。
コードとモデルは GitHub で公開されています。

要約(オリジナル)

Multi-class colorectal tissue classification is a challenging problem that is typically addressed in a setting, where it is assumed that ample amounts of training data is available. However, manual annotation of fine-grained colorectal tissue samples of multiple classes, especially the rare ones like stromal tumor and anal cancer is laborious and expensive. To address this, we propose a knowledge distillation-based approach, named KD-CTCNet, that effectively captures local texture information from few tissue samples, through a distillation loss, to improve the standard CNN features. The resulting enriched feature representation achieves improved classification performance specifically in low data regimes. Extensive experiments on two public datasets of colorectal tissues reveal the merits of the proposed contributions, with a consistent gain achieved over different approaches across low data settings. The code and models are publicly available on GitHub.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google