Improving Representation Learning for Histopathologic Images with Cluster Constraints

要約

全スライド画像 (WSI) スキャナーと計算能力の最近の進歩により、病理組織スライド分析における人工知能の応用が大幅に推進されました。
これらの進歩は有望ですが、現在の WSI 分析の教師あり学習アプローチには、高解像度のスライドを徹底的にラベル付けするという課題が伴い、このプロセスは労力も時間もかかります。
対照的に、自己教師あり学習 (SSL) 事前トレーニング戦略は、明示的なデータ アノテーションに依存しないため、実行可能な代替手段として浮上しています。
これらの SSL 戦略は、監視対象の SSL 戦略とのパフォーマンスの差を急速に埋めています。
これに関連して、SSL フレームワークを紹介します。
このフレームワークは、WSI 分析における不変性損失とクラスタリング損失を相乗させることにより、伝達可能な表現学習と意味的に意味のあるクラスタリングを目的としています。
特に、Camelyon16 と膵臓がんデータセットのテストで証明されているように、私たちのアプローチは下流の分類およびクラスタリング タスクにおいて一般的な SSL 手法よりも優れています。

要約(オリジナル)

Recent advances in whole-slide image (WSI) scanners and computational capabilities have significantly propelled the application of artificial intelligence in histopathology slide analysis. While these strides are promising, current supervised learning approaches for WSI analysis come with the challenge of exhaustively labeling high-resolution slides – a process that is both labor-intensive and time-consuming. In contrast, self-supervised learning (SSL) pretraining strategies are emerging as a viable alternative, given that they don’t rely on explicit data annotations. These SSL strategies are quickly bridging the performance disparity with their supervised counterparts. In this context, we introduce an SSL framework. This framework aims for transferable representation learning and semantically meaningful clustering by synergizing invariance loss and clustering loss in WSI analysis. Notably, our approach outperforms common SSL methods in downstream classification and clustering tasks, as evidenced by tests on the Camelyon16 and a pancreatic cancer dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google