Test Time Transform Prediction for Open Set Histopathological Image Recognition

要約

Whole Slide組織画像の組織タイポロジー注釈は、複雑で退屈ですが、計算病理学モデルの開発に必要なタスクです。
注釈付きクラスのセットに属する組織を共同で分類するタスクにオープンセット認識技術を適用することにより、この問題に対処することを提案します。
臨床的に関連する組織カテゴリ。テスト時間内にオープンセットサンプル、つまりトレーニングセットに存在しないカテゴリに属する​​画像を拒否します。
この目的のために、画像カテゴリを正確に識別し、同時にどのデータ拡張変換が適用されたかを予測するためのモデルのトレーニングに基づく、オープンセットの組織病理学的画像認識の新しいアプローチを紹介します。
テスト時間では、この変換を予測する際のモデルの信頼度を測定します。これは、オープンセットの画像では低くなると予想されます。
組織学的画像からの結腸直腸癌評価のコンテキストで包括的な実験を実行します。これは、未知のカテゴリからのサンプルを自動的に識別するためのアプローチの長所に関する証拠を提供します。
コードはhttps://github.com/agaldran/t3poでリリースされています。

要約(オリジナル)

Tissue typology annotation in Whole Slide histological images is a complex and tedious, yet necessary task for the development of computational pathology models. We propose to address this problem by applying Open Set Recognition techniques to the task of jointly classifying tissue that belongs to a set of annotated classes, e.g. clinically relevant tissue categories, while rejecting in test time Open Set samples, i.e. images that belong to categories not present in the training set. To this end, we introduce a new approach for Open Set histopathological image recognition based on training a model to accurately identify image categories and simultaneously predict which data augmentation transform has been applied. In test time, we measure model confidence in predicting this transform, which we expect to be lower for images in the Open Set. We carry out comprehensive experiments in the context of colorectal cancer assessment from histological images, which provide evidence on the strengths of our approach to automatically identify samples from unknown categories. Code is released at https://github.com/agaldran/t3po .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google