Pseudo-Bag Mixup Augmentation for Multiple Instance Learning-Based Whole Slide Image Classification

要約

ギガピクセル画像をモデル化するという特殊な状況を考慮すると、複数インスタンス学習（MIL）は全スライド画像（WSI）分類のための最も重要なフレームワークの一つとなっている。現在の実践では、ほとんどのMILネットワークは学習において2つの避けられない問題に直面することが多い：i)不十分なWSIデータ、ii)ニューラルネットワーク特有のサンプル記憶傾向。これらの問題はMILモデルの適切かつ効率的な学習を妨げ、WSIに対する分類モデルの継続的な性能向上を阻害する可能性がある。Mixupの基本的な考え方に触発され、本稿ではMILモデルの学習を改善するための新しい擬似バッグMixup（PseMix）データ増強スキームを提案する。このスキームは、MILに基づくWSI分類に適用できるように、一般的な画像に対するMixup戦略を擬似バッグを介して特殊なWSIに一般化したものである。PseMixは擬似バッグと連携することで、Mixup戦略における重要なサイズアライメントとセマンティックアライメントを満たす。さらに、効率的で分離された手法として設計されており、時間のかかる操作を伴わず、MILモデルの予測に依存することもない。比較実験とアブレーション研究は、我々のPseMixの有効性と利点を評価するために特別に設計されている。実験の結果、PseMixはWSIの分類性能をリフレッシュするために、しばしば最先端のMILネットワークを支援できることが示された。さらに、PseMixはMILモデルの汎化能力を高め、パッチオクルージョンやノイズの多いラベルに対するロバスト性を促進することができる。ソースコードはhttps://github.com/liupei101/PseMix。

要約(オリジナル)

Given the special situation of modeling gigapixel images, multiple instance learning (MIL) has become one of the most important frameworks for Whole Slide Image (WSI) classification. In current practice, most MIL networks often face two unavoidable problems in training: i) insufficient WSI data, and ii) the sample memorization inclination inherent in neural networks. These problems may hinder MIL models from adequate and efficient training, suppressing the continuous performance promotion of classification models on WSIs. Inspired by the basic idea of Mixup, this paper proposes a new Pseudo-bag Mixup (PseMix) data augmentation scheme to improve the training of MIL models. This scheme generalizes the Mixup strategy for general images to special WSIs via pseudo-bags so as to be applied in MIL-based WSI classification. Cooperated by pseudo-bags, our PseMix fulfills the critical size alignment and semantic alignment in Mixup strategy. Moreover, it is designed as an efficient and decoupled method, neither involving time-consuming operations nor relying on MIL model predictions. Comparative experiments and ablation studies are specially designed to evaluate the effectiveness and advantages of our PseMix. Experimental results show that PseMix could often assist state-of-the-art MIL networks to refresh the classification performance on WSIs. Besides, it could also boost the generalization ability of MIL models, and promote their robustness to patch occlusion and noisy labels. Our source code is available at https://github.com/liupei101/PseMix.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL