CLASS-M: Adaptive stain separation-based contrastive learning with pseudo-labeling for histopathological image classification

要約

病理組織画像の分類は、医用画像解析における重要なタスクです。
最近のアプローチは一般に、病理レポートから症例レベルのラベルを取得するのが簡単であるため、弱教師学習に依存しています。
ただし、限られた数のケースしか利用できないアプリケーションや、局所的な予測精度が重要な場合には、パッチレベルの分類の方が適しています。
一方で、トレーニング用にローカライズされたラベルを含む広範なデータセットを取得することは現実的ではありません。
この論文では、広範囲にラベル付けされたデータセットを必要としない、CLASS-M と呼ばれる半教師ありパッチレベルの病理組織画像分類モデルを提案します。
CLASS-M は、適応染色分離プロセスを通じて生成されたヘマトキシリンとエオシンの分離画像を使用する対比学習モジュールと、MixUp を使用した擬似ラベルを備えたモジュールの 2 つの主要な部分で構成されます。
2 つの明細胞腎細胞癌データセットについて、私たちのモデルを他の最先端のモデルと比較します。
CLASS-M モデルが両方のデータセットで最高のパフォーマンスを発揮することを実証します。
私たちのコードは github.com/BzhangURU/Paper_CLASS-M/tree/main で入手できます。

要約(オリジナル)

Histopathological image classification is an important task in medical image analysis. Recent approaches generally rely on weakly supervised learning due to the ease of acquiring case-level labels from pathology reports. However, patch-level classification is preferable in applications where only a limited number of cases are available or when local prediction accuracy is critical. On the other hand, acquiring extensive datasets with localized labels for training is not feasible. In this paper, we propose a semi-supervised patch-level histopathological image classification model, named CLASS-M, that does not require extensively labeled datasets. CLASS-M is formed by two main parts: a contrastive learning module that uses separated Hematoxylin and Eosin images generated through an adaptive stain separation process, and a module with pseudo-labels using MixUp. We compare our model with other state-of-the-art models on two clear cell renal cell carcinoma datasets. We demonstrate that our CLASS-M model has the best performance on both datasets. Our code is available at github.com/BzhangURU/Paper_CLASS-M/tree/main

arxiv情報

提供元, 利用サービス

arxiv.jp, Google