LadderMIL: 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を改善するために設計されたフレームワークであるLaddermilを提示します。（1）インスタンスレベルの監督を使用し、（2）バッグレベルでのインタースト間コンテキスト情報を学習します。
第一に、バッグレベルの情報でトレーニングされたネットワークをプローブおよび蒸留するために、同じネットワークのインスタンスレベルの監督を自己改善方法で効果的に提供できるインスタンスレベルのラベルを適応的に取得する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。
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コンテキスト外観をコードするコンテキストエコードジェネレーター（CEG）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。
私たちのはしごは、乳がん受容体の状態分類、マルチクラスのサブタイプ分類、腫瘍分類、予後予測など、複数の臨床的に関連するベンチマークタスクで評価されます。
AUC、F1スコア、およびCインデックスの8.1％、11％、2.4％の平均改善は、それぞれ最高のベースラインと比較して5つのベンチマーク全体で実証されています。

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 LadderMIL, a framework designed to improve MIL through two perspectives: (1) employing instance-level supervision and (2) learning inter-instance contextual information at bag level. Firstly, we propose a novel Coarse-to-Fine Self-Distillation (CFSD) paradigm that probes and distils a network trained with bag-level information to adaptively obtain instance-level labels which could effectively provide the instance-level supervision for the same network in a self-improving way. Secondly, to capture inter-instance contextual information in WSI, we propose a Contextual Ecoding Generator (CEG), which encodes the contextual appearance of instances within a bag. We also theoretically and empirically prove the instance-level learnability of CFSD. Our LadderMIL is evaluated on multiple clinically relevant benchmarking tasks including breast cancer receptor status classification, multi-class subtype classification, tumour classification, and prognosis prediction. Average improvements of 8.1%, 11% and 2.4% in AUC, F1-score, and C-index, respectively, are demonstrated across the five benchmarks, compared to the best baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google