Evaluation of Multi-Scale Multiple Instance Learning to Improve Thyroid Cancer Classification

要約

甲状腺がんは現在、女性で診断される悪性腫瘍の中で 5 番目に多いがんです。
がんのサブタイプの鑑別は治療にとって重要であるため、現在、手動による方法では時間がかかり、主観的であるため、コンピューターを利用した自動がんタイプの鑑別が重要です。
甲状腺がんの手動鑑別は組織切片に基づいており、病理学者が組織学的特徴を使用して分析します。
ギガピクセルのスライド画像全体のサイズは膨大であるため、深層学習手法を使用した全体的な分類は実現できません。
パッチベースの複数インスタンス学習アプローチと、バッグオブワードなどの集約を組み合わせたアプローチが一般的です。
この研究の貢献は、3 つの異なるパッチ解像度の特徴ベクトルを生成および結合し、それらを結合する 3 つの異なる方法を分析することにより、パッチ ベースの最先端の手法を拡張することです。
その結果、3 つのマルチスケール アプローチのうち 1 つでは改善が見られましたが、他のアプローチではスコアが低下しました。
これは、個々のアプローチの分析と議論の動機を与えます。

要約(オリジナル)

Thyroid cancer is currently the fifth most common malignancy diagnosed in women. Since differentiation of cancer sub-types is important for treatment and current, manual methods are time consuming and subjective, automatic computer-aided differentiation of cancer types is crucial. Manual differentiation of thyroid cancer is based on tissue sections, analysed by pathologists using histological features. Due to the enormous size of gigapixel whole slide images, holistic classification using deep learning methods is not feasible. Patch based multiple instance learning approaches, combined with aggregations such as bag-of-words, is a common approach. This work’s contribution is to extend a patch based state-of-the-art method by generating and combining feature vectors of three different patch resolutions and analysing three distinct ways of combining them. The results showed improvements in one of the three multi-scale approaches, while the others led to decreased scores. This provides motivation for analysis and discussion of the individual approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google