Classification in Histopathology: A unique deep embeddings extractor for multiple classification tasks

要約

生物医学イメージングでは、深層学習ベースの方法があらゆるモダリティ (仮想スライド、MRI など) で最先端です。組織病理学では、これらの方法を使用して特定のバイオマーカーを検出したり、病変を分類したりできます。
ただし、このような手法では、特に希少なバイオマーカーに関しては、取得が本質的に困難な高性能モデルをトレーニングするために大量のデータが必要です。
この課題に対処するために、事前にトレーニングされた単一のディープ エンベディング エクストラクタを使用して画像をディープ フィーチャに変換し、分類タスクごとにこれらのエンベディングで小さな専用の分類ヘッドをトレーニングします。
このアプローチには、事前にトレーニングされた単一のディープ ネットワークをさまざまなタスクに再利用できるなど、いくつかの利点があります。
分類ヘッドのパラメーターが少ないため、必要なラベル付きデータの量を減らします。
トレーニング時間を最大 1000 倍高速化することで、分類ヘッドのより多くの調整が可能になります。
この作業では、さまざまなオープン ソース バックボーンの広範な比較を実行し、ターゲットの組織画像ドメインへの適合性を評価します。
これは、プロキシ分類タスクに基づく新しい方法を使用して実現されます。
この選択方法のおかげで、ターゲットドメインのさまざまなタスクに対して最適な特徴抽出器を選択できることを示しています。
また、考慮されるさまざまなタスクに対して計算された最終的なメトリックを大幅に改善することを証明する機能空間拡張戦略も紹介します。
このようなバックボーンの選択と特徴空間の増強の利点を実証するために、我々の実験は3つの別々の分類タスクで実行され、それぞれの明確な改善を示しています：微小石灰化（29.1％F1スコアの増加）、リンパ節転移（12.5％）
F1 スコアの増加)、有糸分裂 (15.0% F1 スコアの増加)。

要約(オリジナル)

In biomedical imaging, deep learning-based methods are state-of-the-art for every modality (virtual slides, MRI, etc.) In histopathology, these methods can be used to detect certain biomarkers or classify lesions. However, such techniques require large amounts of data to train high-performing models which can be intrinsically difficult to acquire, especially when it comes to scarce biomarkers. To address this challenge, we use a single, pre-trained, deep embeddings extractor to convert images into deep features and train small, dedicated classification head on these embeddings for each classification task. This approach offers several benefits such as the ability to reuse a single pre-trained deep network for various tasks; reducing the amount of labeled data needed as classification heads have fewer parameters; and accelerating training time by up to 1000 times, which allows for much more tuning of the classification head. In this work, we perform an extensive comparison of various open-source backbones and assess their fit to the target histological image domain. This is achieved using a novel method based on a proxy classification task. We demonstrate that thanks to this selection method, an optimal feature extractor can be selected for different tasks on the target domain. We also introduce a feature space augmentation strategy which proves to substantially improve the final metrics computed for the different tasks considered. To demonstrate the benefit of such backbone selection and feature-space augmentation, our experiments are carried out on three separate classification tasks and show a clear improvement on each of them: microcalcifications (29.1% F1-score increase), lymph nodes metastasis (12.5% F1-score increase), mitosis (15.0% F1-score increase).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google