Deep Weakly-Supervised Learning Methods for Classification and Localization in Histology Images: A Survey

要約

組織学データから癌を診断するためにディープラーニングモデルを使用するには、いくつかの課題があります。これらの画像における癌の等級付けと関心領域（ROI）のローカライズは、通常、画像レベルとピクセルレベルの両方のラベルに依存し、後者はコストのかかるアノテーションプロセスを必要とする。弱教師付きオブジェクトローカリゼーション（WSOL）手法は、ディープラーニングモデルの低コストなトレーニングのための異なる戦略を提供します。画像クラスのアノテーションのみを使用して、これらの方法は画像を分類するために訓練することができ、ROIローカライゼーションのためのクラス活性化マップ（CAM）をもたらす。本論文では、WSOLのための最新のDL手法のレビューを提供する。モデル内の情報の流れによって、ボトムアップ型とトップダウン型に分類する分類法を提案する。後者の進歩は限定的であるが、最近のボトムアップ手法は、現在、深いWSOL手法の多くの進歩を牽引している。初期の研究では、さまざまな空間プーリング関数を設計することに焦点が当てられていた。しかし、これらの手法では、ローカライズの精度に限界があり、CAMの活性化が不十分であるため、ローカライズの偽陰性が高くなるという大きな欠点が明らかになった。この問題を解決し、完全なオブジェクトを復元することを目的とした研究が続けられている。我々の分類法の代表的な手法を、2つの困難な組織学データセットで、分類とローカライズの精度の観点から評価し比較した。その結果、特に自然画像を処理するために最初に設計された一般的な手法では、ローカライズの性能が低いことが示された。組織学データの課題に対処するために設計された方法は、良い結果をもたらした。しかし、どの手法も偽陽性・偽陰性の多いローカライゼーションに悩まされている。深層WSOL法の組織学への応用には、CAMの過少/過剰活性化、閾値に対する感度、モデル選択という4つの重要な課題があることが明らかになった。

要約(オリジナル)

Using deep learning models to diagnose cancer from histology data presents several challenges. Cancer grading and localization of regions of interest (ROIs) in these images normally relies on both image- and pixel-level labels, the latter requiring a costly annotation process. Deep weakly-supervised object localization (WSOL) methods provide different strategies for low-cost training of deep learning models. Using only image-class annotations, these methods can be trained to classify an image, and yield class activation maps (CAMs) for ROI localization. This paper provides a review of state-of-art DL methods for WSOL. We propose a taxonomy where these methods are divided into bottom-up and top-down methods according to the information flow in models. Although the latter have seen limited progress, recent bottom-up methods are currently driving much progress with deep WSOL methods. Early works focused on designing different spatial pooling functions. However, these methods reached limited localization accuracy, and unveiled a major limitation — the under-activation of CAMs which leads to high false negative localization. Subsequent works aimed to alleviate this issue and recover complete object. Representative methods from our taxonomy are evaluated and compared in terms of classification and localization accuracy on two challenging histology datasets. Overall, the results indicate poor localization performance, particularly for generic methods that were initially designed to process natural images. Methods designed to address the challenges of histology data yielded good results. However, all methods suffer from high false positive/negative localization. Four key challenges are identified for the application of deep WSOL methods in histology — under/over activation of CAMs, sensitivity to thresholding, and model selection.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL