A transductive few-shot learning approach for classification of digital histopathological slides from liver cancer

要約

この論文では、少数ショット学習を使用して 2D 病理組織パッチを分類するための新しいアプローチを紹介します。
この方法は、ラベル付きデータの入手が限られているという組織病理学における重大な課題に取り組むように設計されています。
スライディング ウィンドウ技術を病理組織スライドに適用することにより、一貫した正確な分類を達成するための変換学習 (つまり、パッチ上で共同予測を行うこと) の実際的な利点を示します。
私たちのアプローチには、各ウィンドウ内の多数の異なるクラスの予測に積極的にペナルティを与える最適化ベースの戦略が含まれます。
私たちは、肝がん、特に肝細胞がんのデジタルスライドの組織クラスを分類するために、組織病理学的データに関する実験を実施しました。
初期の結果は、私たちの方法の有効性と、専門家の注釈に必要な時間と労力を削減しながら、がんの自動診断と治療のプロセスを強化する可能性を示しています。

要約(オリジナル)

This paper presents a new approach for classifying 2D histopathology patches using few-shot learning. The method is designed to tackle a significant challenge in histopathology, which is the limited availability of labeled data. By applying a sliding window technique to histopathology slides, we illustrate the practical benefits of transductive learning (i.e., making joint predictions on patches) to achieve consistent and accurate classification. Our approach involves an optimization-based strategy that actively penalizes the prediction of a large number of distinct classes within each window. We conducted experiments on histopathological data to classify tissue classes in digital slides of liver cancer, specifically hepatocellular carcinoma. The initial results show the effectiveness of our method and its potential to enhance the process of automated cancer diagnosis and treatment, all while reducing the time and effort required for expert annotation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google