Multiple Instance Learning with Coarse-to-Fine Self-Distillation

要約

計算病理学のスライド画像全体の複数のインスタンス学習（MIL）分析は、監督が通常バッグレベルでのみ提供されるため、インスタンスレベルの学習を無視することがよくあります。
この作業では、2つの視点を通じてMILを改善するように設計されたフレームワークであるPathmilを提示します。（1）インスタンスレベルの監督を使用し、（2）バッグレベルに関する介入コンテキスト情報を学習します。
第一に、私たちは、バッグレベルの情報で訓練された分類器を調査および蒸留するために、同じ分類器の監督を効果的に提供するインスタンスレベルのラベルを取得するために、分類器を調査および蒸留するために、新しい粗から洗練された自己抵抗（CFSD）パラダイムを提案します。
方法。
第二に、WSIでインスタンス間コンテキスト情報をキャプチャするために、バッグ内のインスタンスの空間的外観をコードする2次元位置エンコーディング（2DPE）を提案します。
また、CFSDのインスタンスレベルの学習可能性を理論的および経験的に証明します。
Pathmilは、サブタイプ分類（TCGA-NSCLC）、腫瘍分類（Camelyon16）、乳がん受容体の状態分類のための内部ベンチマークなど、複数のベンチマークタスクで評価されます。
私たちの方法は、エストロゲンおよびプロゲステロン受容体の状態分類でそれぞれ0.9152および0.8524のAUCスコアで、サブタイプ分類で0.9618、腫瘍分類で0.8634が既存の方法を超えて0.8634で、最先端のパフォーマンスを達成します。

要約(オリジナル)

Multiple Instance Learning (MIL) for whole slide image (WSI) analysis in computational pathology often neglects instance-level learning as supervision is typically provided only at the bag level. In this work, we present PathMIL, a framework designed to improve MIL through two perspectives: (1) employing instance-level supervision and (2) learning inter-instance contextual information on bag level. Firstly, we propose a novel Coarse-to-Fine Self-Distillation (CFSD) paradigm, to probe and distil a classifier trained with bag-level information to obtain instance-level labels which could effectively provide the supervision for the same classifier in a finer way. Secondly, to capture inter-instance contextual information in WSI, we propose Two-Dimensional Positional Encoding (2DPE), which encodes the spatial appearance of instances within a bag. We also theoretically and empirically prove the instance-level learnability of CFSD. PathMIL is evaluated on multiple benchmarking tasks, including subtype classification (TCGA-NSCLC), tumour classification (CAMELYON16), and an internal benchmark for breast cancer receptor status classification. Our method achieves state-of-the-art performance, with AUC scores of 0.9152 and 0.8524 for estrogen and progesterone receptor status classification, respectively, an AUC of 0.9618 for subtype classification, and 0.8634 for tumour classification, surpassing existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google