HMIL: Hierarchical Multi-Instance Learning for Fine-Grained Whole Slide Image Classification

要約

精密腫瘍学において、全スライド画像（WSI）のきめ細かな分類は不可欠であり、正確ながん診断と個別化された治療戦略を可能にする。このタスクの核心には、ギガピクセル解像度の同じ大分類画像内の微妙な形態的変化を区別することが含まれ、これは重要な課題である。多インスタンス学習（MIL）パラダイムはWSIの計算負担を軽減するが、既存のMIL手法は階層的なラベル相関を見落とすことが多く、細かい分類を平坦な多クラス分類タスクとして扱う。これらの限界を克服するために、我々は新しい階層的マルチインスタンス学習（HMIL）フレームワークを導入する。インスタンスレベルとバッグレベルのラベルの異なる階層間の固有の関係を階層的に整合させることで、我々のアプローチはより構造化された有益な学習プロセスを提供する。具体的には、HMILはインスタンスレベルとバッグレベルの両方で階層的な情報を整合させるクラス単位の注意メカニズムを組み込む。さらに、きめ細かな分類のための識別能力を強化するために教師付き対比学習と、学習中に階層的特徴のバランスを適応的にとるためのカリキュラムベースの動的重み付けモジュールを導入する。大規模な細胞診子宮頸がん（CCC）データセットと2つの公開組織診データセット、BRACSとPANDAを用いた広範な実験により、我々のHMILフレームワークのクラス別および全体的な性能が最先端のものであることを実証する。ソースコードはhttps://github.com/ChengJin-git/HMIL。

要約(オリジナル)

Fine-grained classification of whole slide images (WSIs) is essential in precision oncology, enabling precise cancer diagnosis and personalized treatment strategies. The core of this task involves distinguishing subtle morphological variations within the same broad category of gigapixel-resolution images, which presents a significant challenge. While the multi-instance learning (MIL) paradigm alleviates the computational burden of WSIs, existing MIL methods often overlook hierarchical label correlations, treating fine-grained classification as a flat multi-class classification task. To overcome these limitations, we introduce a novel hierarchical multi-instance learning (HMIL) framework. By facilitating on the hierarchical alignment of inherent relationships between different hierarchy of labels at instance and bag level, our approach provides a more structured and informative learning process. Specifically, HMIL incorporates a class-wise attention mechanism that aligns hierarchical information at both the instance and bag levels. Furthermore, we introduce supervised contrastive learning to enhance the discriminative capability for fine-grained classification and a curriculum-based dynamic weighting module to adaptively balance the hierarchical feature during training. Extensive experiments on our large-scale cytology cervical cancer (CCC) dataset and two public histology datasets, BRACS and PANDA, demonstrate the state-of-the-art class-wise and overall performance of our HMIL framework. Our source code is available at https://github.com/ChengJin-git/HMIL.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL