Smooth Attention for Deep Multiple Instance Learning: Application to CT Intracranial Hemorrhage Detection

要約

複数インスタンス学習 (MIL) は医療画像診断に広く適用されており、バッグのラベルは既知ですが、バッグ内のインスタンスのラベルは未知です。
従来の MIL は、各バッグ内のインスタンスが特定の分布からの独立したサンプルであることを前提としています。
ただし、インスタンスは空間的または順序付けされていることが多く、隣接するインスタンスについても同様の診断上の重要性が期待されます。
これに対処するために、この研究では、スムーズ アテンション ディープ MIL (SA-DMIL) モデルを提案します。
滑らかさは、バッグ内の各インスタンスに支払われる注意をエンコードする潜在関数に 1 次および 2 次の制約を導入することによって実現されます。
この方法は、頭部 CT スキャンでの頭蓋内出血 (ICH) の検出に適用されます。
結果は、この新しい SA-DMIL が次のことを示しています。(a) スキャン (バッグ) レベルとスライス (インスタンス) レベルの両方で、スムーズでないアテンション MIL よりも優れたパフォーマンスを達成します。
(b) スライス間の空間依存関係を学習します。
(c) 同じ ICH テスト セットで現在の最先端の MIL メソッドよりも優れたパフォーマンスを発揮します。

要約(オリジナル)

Multiple Instance Learning (MIL) has been widely applied to medical imaging diagnosis, where bag labels are known and instance labels inside bags are unknown. Traditional MIL assumes that instances in each bag are independent samples from a given distribution. However, instances are often spatially or sequentially ordered, and one would expect similar diagnostic importance for neighboring instances. To address this, in this study, we propose a smooth attention deep MIL (SA-DMIL) model. Smoothness is achieved by the introduction of first and second order constraints on the latent function encoding the attention paid to each instance in a bag. The method is applied to the detection of intracranial hemorrhage (ICH) on head CT scans. The results show that this novel SA-DMIL: (a) achieves better performance than the non-smooth attention MIL at both scan (bag) and slice (instance) levels; (b) learns spatial dependencies between slices; and (c) outperforms current state-of-the-art MIL methods on the same ICH test set.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google