HistoPerm: A Permutation-Based View Generation Approach for Learning Histopathologic Feature Representations

要約

最近では、デジタル病理学の分野における多くの課題を解決するために、深層学習手法がうまく適用されています。
ただし、これらのアプローチの多くは完全に監視されており、注釈付きの画像が必要です。
組織像に注釈を付けるのは、熟練した病理学者にとっても時間のかかる退屈なプロセスであり、そのため、ほとんどの組織像データセットには関心領域の注釈がなく、ラベル付けも不十分です。
このホワイト ペーパーでは、HistoPerm を紹介します。これは、教師が弱い設定での組織画像に対する表現学習技術のパフォーマンスを向上させるために設計されたビュー生成アプローチです。
HistoPerm では、スライド全体の組織画像から生成されたパッチの拡張ビューを並べ替えて、分類の精度を向上させます。
これらの並べ替えられたビューは、同じ元のスライド レベル クラスに属しますが、個別のパッチ インスタンスから生成されます。
セリアック病と腎細胞癌の 2 つの公開組織学データセットで、2 つの著名な表現学習方法である BYOL と SimCLR に HistoPerm を追加することをテストしました。
両方のデータセットについて、標準の BYOL および SimCLR アプローチと比較して、精度、F1 スコア、および AUC の点でパフォーマンスが向上していることがわかりました。
特に、線形評価構成では、HistoPerm はセリアック病データセットの分類精度を BYOL で 8%、SimCLR で 3% 向上させます。
同様に、HistoPerm を使用すると、腎細胞がんデータセットの分類精度が BYOL で 2%、SimCLR で 0.25% 向上します。
提案された順列ベースのビュー生成アプローチは、一般的な表現学習フレームワークに採用して、教師が弱い設定で組織病理学の特徴を捉えることができ、完全に教師ありの方法に近い、またはそれよりも優れたスライド全体の分類結果につながる可能性があります。

要約(オリジナル)

Recently, deep learning methods have been successfully applied to solve numerous challenges in the field of digital pathology. However, many of these approaches are fully supervised and require annotated images. Annotating a histology image is a time-consuming and tedious process for even a highly skilled pathologist, and, as such, most histology datasets lack region-of-interest annotations and are weakly labeled. In this paper, we introduce HistoPerm, a view generation approach designed for improving the performance of representation learning techniques on histology images in weakly supervised settings. In HistoPerm, we permute augmented views of patches generated from whole-slide histology images to improve classification accuracy. These permuted views belong to the same original slide-level class but are produced from distinct patch instances. We tested adding HistoPerm to BYOL and SimCLR, two prominent representation learning methods, on two public histology datasets for Celiac disease and Renal Cell Carcinoma. For both datasets, we found improved performance in terms of accuracy, F1-score, and AUC compared to the standard BYOL and SimCLR approaches. Particularly, in a linear evaluation configuration, HistoPerm increases classification accuracy on the Celiac disease dataset by 8% for BYOL and 3% for SimCLR. Similarly, with HistoPerm, classification accuracy increases by 2% for BYOL and 0.25% for SimCLR on the Renal Cell Carcinoma dataset. The proposed permutation-based view generation approach can be adopted in common representation learning frameworks to capture histopathology features in weakly supervised settings and can lead to whole-slide classification outcomes that are close to, or even better than, fully supervised methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google