Magnification-independent Histopathological Image Classification with Similarity-based Multi-scale Embeddings

要約

組織病理学的画像の分類は、癌の診断と病理学的研究の両方において非常に価値があります。
ただし、拡大率やクラスの不均衡によって引き起こされる変動などの複数の理由により、多くの場合、画像ラベル データセットから学習する従来の方法では十分に機能しないという困難な作業になります。
同じクラスの腫瘍は、多くの場合、共通の形態学的パターンを共有していることがわかります。
この事実を利用するために、倍率に依存しない組織病理学的画像分類のための類似性ベースのマルチスケール埋め込み (SMSE) を学習するアプローチを提案します。
特に、ペア損失とトリプレット損失は、画像ペアまたは画像トリプレットから類似性ベースの埋め込みを学習するために活用されます。
学習された埋め込みは、画像間の類似性の正確な測定値を提供します。これは、通常の画像特徴よりも組織病理学的形態の表現のより効果的な形式と見なされます。
さらに、生成されたモデルが倍率に依存しないようにするために、マルチスケール埋め込みを学習するためのトレーニング中に、さまざまな倍率で取得された画像がネットワークに同時に供給されます。
SMSE に加えて、クラスの不均衡の影響を排除するために、いくつかの簡単なサンプルを直感的に破棄するハード サンプル マイニング戦略を使用する代わりに、新しい強化されたフォーカル ロスを導入して、ハードに誤分類されたサンプルを同時に処罰し、同時に簡単に分類されたサンプルを抑制します。
実験結果は、SMSE が乳癌と肝臓癌の両方の組織病理学的画像分類タスクのパフォーマンスを以前の方法と比較して大幅に改善することを示しています。
特に、SMSE は、BreakHis ベンチマークで最高のパフォーマンスを達成し、従来の機能を使用した以前の方法と比較して 5% から 18% の改善が見られます。

要約(オリジナル)

The classification of histopathological images is of great value in both cancer diagnosis and pathological studies. However, multiple reasons, such as variations caused by magnification factors and class imbalance, make it a challenging task where conventional methods that learn from image-label datasets perform unsatisfactorily in many cases. We observe that tumours of the same class often share common morphological patterns. To exploit this fact, we propose an approach that learns similarity-based multi-scale embeddings (SMSE) for magnification-independent histopathological image classification. In particular, a pair loss and a triplet loss are leveraged to learn similarity-based embeddings from image pairs or image triplets. The learned embeddings provide accurate measurements of similarities between images, which are regarded as a more effective form of representation for histopathological morphology than normal image features. Furthermore, in order to ensure the generated models are magnification-independent, images acquired at different magnification factors are simultaneously fed to networks during training for learning multi-scale embeddings. In addition to the SMSE, to eliminate the impact of class imbalance, instead of using the hard sample mining strategy that intuitively discards some easy samples, we introduce a new reinforced focal loss to simultaneously punish hard misclassified samples while suppressing easy well-classified samples. Experimental results show that the SMSE improves the performance for histopathological image classification tasks for both breast and liver cancers by a large margin compared to previous methods. In particular, the SMSE achieves the best performance on the BreakHis benchmark with an improvement ranging from 5% to 18% compared to previous methods using traditional features.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google