Rotation-Agnostic Image Representation Learning for Digital Pathology

要約

この論文は、3 つの重要な貢献を通じて、組織病理学的画像解析における複雑な課題に取り組んでいます。
まず、スライド全体画像 (WSI) 解析に高速パッチ選択手法である FPS を導入し、精度を維持しながら計算コストを大幅に削減します。
次に、PathDino を紹介します。PathDino は、5 つの Transformer ブロックとわずか 900 万のパラメーターという最小限の構成を備えた軽量の組織病理学特徴抽出ツールであり、代替手段よりも著しく少ないです。
第三に、自己教師あり学習を使用した回転に依存しない表現学習パラダイムを導入し、過剰学習を効果的に軽減します。
また、4 つの部位 (乳房、肝臓、皮膚、結腸直腸) にまたがる内部データセットと 7 つの公開データセット (PANDA、
CAMELYON16、BRACS、DigestPath、Kather、PanNuke、および WSSS4LUAD)。
特に、The Cancer Genome Atlas (TCGA) の 600 万個の組織病理学パッチのトレーニング データセットを使用した場合でも、私たちのアプローチはパッチレベルの多数決パフォーマンスで平均 8.5% の向上を示しています。
これらの貢献は、広範な評価を通じて厳密に検証された、デジタルパソロジーにおける画像分析を強化するための堅牢なフレームワークを提供します。
プロジェクトページ: https://kimialabmayo.github.io/PathDino-Page/

要約(オリジナル)

This paper addresses complex challenges in histopathological image analysis through three key contributions. Firstly, it introduces a fast patch selection method, FPS, for whole-slide image (WSI) analysis, significantly reducing computational cost while maintaining accuracy. Secondly, it presents PathDino, a lightweight histopathology feature extractor with a minimal configuration of five Transformer blocks and only 9 million parameters, markedly fewer than alternatives. Thirdly, it introduces a rotation-agnostic representation learning paradigm using self-supervised learning, effectively mitigating overfitting. We also show that our compact model outperforms existing state-of-the-art histopathology-specific vision transformers on 12 diverse datasets, including both internal datasets spanning four sites (breast, liver, skin, and colorectal) and seven public datasets (PANDA, CAMELYON16, BRACS, DigestPath, Kather, PanNuke, and WSSS4LUAD). Notably, even with a training dataset of 6 million histopathology patches from The Cancer Genome Atlas (TCGA), our approach demonstrates an average 8.5% improvement in patch-level majority vote performance. These contributions provide a robust framework for enhancing image analysis in digital pathology, rigorously validated through extensive evaluation. Project Page: https://kimialabmayo.github.io/PathDino-Page/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google