MicroMIL: Graph-based Contextual Multiple Instance Learning for Patient Diagnosis Using Microscopy Images

要約

がんの診断は、全面的な画像（WSI）と複数のインスタンス学習（MIL）の統合から大きな恩恵を受けており、組織の形態の高解像度分析を可能にします。
グラフベースのMIL（GNN-MIL）アプローチは、WSIで空間構造と関係構造をキャプチャするための強力なソリューションとして浮上しており、それにより診断精度が向上しています。
ただし、有効性にもかかわらず、WSIは重要な計算およびインフラストラクチャリソースを必要とし、リソースに制約のある設定でのアクセシビリティが制限されます。
顕微鏡イメージングは​​費用対​​効果の高い代替手段を提供しますが、顕微鏡検査にGNN-MILを適用することは、空間座標がないことと病理学者が取得した画像の高い冗長性のために困難です。
これらの問題に対処するために、顕微鏡イメージング専用に設計された最初の弱い監視されたMILフレームワークであるマイクロミルを紹介します。
マイクロミルは、ディープクラスター埋め込み（DCE）とハードガンベルソフトマックスを使用して、冗長性を動的に減らし、代表的な画像を選択する代表的な画像抽出器（RIE）を活用します。
これらの選択された画像はグラフノードとして機能し、エッジはコサインの類似性によって決定され、関係構造を保存しながら空間座標の必要性を排除します。
現実世界の結腸癌データセットとBREAKHISデータセットに関する広範な実験は、マイクロミルが最先端のパフォーマンスを達成し、診断精度と冗長性の堅牢性の両方を改善することを示しています。
このコードは、https：//anonymous.4open.science/r/micromil-6c7cで入手できます

要約(オリジナル)

Cancer diagnosis has greatly benefited from the integration of whole-slide images (WSIs) with multiple instance learning (MIL), enabling high-resolution analysis of tissue morphology. Graph-based MIL (GNN-MIL) approaches have emerged as powerful solutions for capturing spatial and relational structures in WSIs, thereby improving diagnostic accuracy. However, despite their effectiveness, WSIs require significant computational and infrastructural resources, limiting accessibility in resource-constrained settings. Microscopy imaging provides a cost-effective alternative, but applying GNN-MIL to microscopy imaging is challenging due to the absence of spatial coordinates and the high redundancy in pathologist-acquired images. To address these issues, we introduce MicroMIL, the first weakly-supervised MIL framework specifically designed for microscopy imaging. MicroMIL leverages a representative image extractor (RIE) that employs deep cluster embedding (DCE) and hard Gumbel-Softmax to dynamically reduce redundancy and select representative images. These selected images serve as graph nodes, with edges determined by cosine similarity, eliminating the need for spatial coordinates while preserving relational structure. Extensive experiments on a real-world colon cancer dataset and the BreakHis dataset demonstrate that MicroMIL achieves state-of-the-art performance, improving both diagnostic accuracy and robustness to redundancy. The code is available at https://anonymous.4open.science/r/MicroMIL-6C7C

arxiv情報

提供元, 利用サービス

arxiv.jp, Google