Compact and De-biased Negative Instance Embedding for Multi-Instance Learning on Whole-Slide Image Classification

要約

全スライド画像 (WSI) の分類は、1) WSI のパッチには注釈がない、2) WSI には不要な変動性 (染色プロトコルなど) があるため、困難な作業です。
最近、複数インスタンス学習 (MIL) が大幅に進歩し、パッチ レベルの注釈ではなく、スライド レベルの注釈に基づいて分類できるようになりました。
ただし、既存の MIL メソッドは、通常のスライドからのすべてのパッチが正常であることを無視します。
この無料のアノテーションを使用して、スライド間の変動のバイアスを軽減し、通常のパッチ内の変動の共通要因を捕捉するために半監視信号を導入します。
私たちの方法は MIL アルゴリズムと直交しているため、最近提案された MIL アルゴリズムに基づいて方法を評価し、他の半教師ありアプローチとのパフォーマンスも比較します。
我々は、Camelyon-16 および TCGA 肺がんを含む 2 つの公開 WSI データセットで手法を評価し、我々のアプローチが既存の MIL アルゴリズムの予測パフォーマンスを大幅に向上させ、他の半教師ありアルゴリズムを上回るパフォーマンスを示すことを実証しました。
コードは https://github.com/AITRICS/pathology_mil でリリースされています。

要約(オリジナル)

Whole-slide image (WSI) classification is a challenging task because 1) patches from WSI lack annotation, and 2) WSI possesses unnecessary variability, e.g., stain protocol. Recently, Multiple-Instance Learning (MIL) has made significant progress, allowing for classification based on slide-level, rather than patch-level, annotations. However, existing MIL methods ignore that all patches from normal slides are normal. Using this free annotation, we introduce a semi-supervision signal to de-bias the inter-slide variability and to capture the common factors of variation within normal patches. Because our method is orthogonal to the MIL algorithm, we evaluate our method on top of the recently proposed MIL algorithms and also compare the performance with other semi-supervised approaches. We evaluate our method on two public WSI datasets including Camelyon-16 and TCGA lung cancer and demonstrate that our approach significantly improves the predictive performance of existing MIL algorithms and outperforms other semi-supervised algorithms. We release our code at https://github.com/AITRICS/pathology_mil.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google