SC-MIL: Sparsely Coded Multiple Instance Learning for Whole Slide Image Classification

要約

複数インスタンス学習 (MIL) は、弱教師付きスライド画像全体 (WSI) の分類に広く使用されています。
一般的な MIL メソッドには、事前トレーニングされた特徴抽出器を介してインスタンスを特徴に埋め込む特徴埋め込み部分と、インスタンスの埋め込みを予測に組み合わせる MIL アグリゲーターが含まれます。
通常、ほとんどの取り組みはこれらの部分の改善に焦点を当てています。
これには、インスタンス間の相関関係を個別にモデル化するだけでなく、自己教師付き事前トレーニングを通じて特徴の埋め込みを改良することも含まれます。
この論文では、スパース辞書学習を活用することでこれら 2 つの側面に同時に対処するスパースコーディング MIL (SC-MIL) 手法を提案しました。
スパース辞書学習では、インスタンスの類似性を、過完全な辞書内のアトムのスパースな線形結合として表現することによって取得します。
さらに、スパース性を課すことにより、最も関連性の高いインスタンスを保持しながら無関係なインスタンスを抑制することにより、インスタンス機能の埋め込みが改善されます。
従来のスパースコーディングアルゴリズムをディープラーニングと互換性を持たせるために、ディープアンローリングを利用してスパースコーディングモジュールに展開しました。
提案された SC モジュールは、許容可能な計算コストでプラグ アンド プレイ方式で既存の MIL フレームワークに組み込むことができます。
複数のデータセットに関する実験結果は、提案された SC モジュールが最先端の MIL メソッドのパフォーマンスを大幅に向上させることができることを実証しました。
コードは \href{https://github.com/sotiraslab/SCMIL.git}{https://github.com/sotiraslab/SCMIL.git} で入手できます。

要約(オリジナル)

Multiple Instance Learning (MIL) has been widely used in weakly supervised whole slide image (WSI) classification. Typical MIL methods include a feature embedding part, which embeds the instances into features via a pre-trained feature extractor, and an MIL aggregator that combines instance embeddings into predictions. Most efforts have typically focused on improving these parts. This involves refining the feature embeddings through self-supervised pre-training as well as modeling the correlations between instances separately. In this paper, we proposed a sparsely coding MIL (SC-MIL) method that addresses those two aspects at the same time by leveraging sparse dictionary learning. The sparse dictionary learning captures the similarities of instances by expressing them as sparse linear combinations of atoms in an over-complete dictionary. In addition, imposing sparsity improves instance feature embeddings by suppressing irrelevant instances while retaining the most relevant ones. To make the conventional sparse coding algorithm compatible with deep learning, we unrolled it into a sparsely coded module leveraging deep unrolling. The proposed SC module can be incorporated into any existing MIL framework in a plug-and-play manner with an acceptable computational cost. The experimental results on multiple datasets demonstrated that the proposed SC module could substantially boost the performance of state-of-the-art MIL methods. The codes are available at \href{https://github.com/sotiraslab/SCMIL.git}{https://github.com/sotiraslab/SCMIL.git}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google