Dynamic Graph Representation with Knowledge-aware Attention for Histopathology Whole Slide Image Analysis

要約

組織病理学的全スライド画像 (WSI) の分類は、医療顕微鏡画像処理の基礎的なタスクとなっています。
一般的なアプローチでは、WSI をインスタンス バッグ表現として学習し、重要なインスタンスを強調しますが、インスタンス間の相互作用を捉えるのに苦労しています。
さらに、従来のグラフ表現方法は、明示的な空間位置を利用してトポロジー構造を構築しますが、特に空間的に離れた場合、任意の位置にあるインスタンス間の柔軟な対話機能が制限されます。
これに応じて、WSI を知識グラフ構造の形式として概念化する、新しい動的グラフ表現アルゴリズムを提案します。
具体的には、インスタンス間の先頭と末尾の関係に基づいて、隣接エッジと有向エッジの埋め込みを動的に構築します。
次に、各近隣ノードとエッジの共同アテンション スコアを学習することでヘッド ノードの特徴を更新できる、知識認識アテンション メカニズムを考案します。
最後に、更新されたヘッドのグローバル プーリング プロセスを通じてグラフ レベルの埋め込みを取得し、WSI 分類の暗黙的な表現として機能します。
当社のエンドツーエンドのグラフ表現学習アプローチは、3 つの TCGA ベンチマーク データセットと社内テスト セットで最先端の WSI 分析手法を上回りました。
私たちのコードは https://github.com/WonderLandxD/WiKG で入手できます。

要約(オリジナル)

Histopathological whole slide images (WSIs) classification has become a foundation task in medical microscopic imaging processing. Prevailing approaches involve learning WSIs as instance-bag representations, emphasizing significant instances but struggling to capture the interactions between instances. Additionally, conventional graph representation methods utilize explicit spatial positions to construct topological structures but restrict the flexible interaction capabilities between instances at arbitrary locations, particularly when spatially distant. In response, we propose a novel dynamic graph representation algorithm that conceptualizes WSIs as a form of the knowledge graph structure. Specifically, we dynamically construct neighbors and directed edge embeddings based on the head and tail relationships between instances. Then, we devise a knowledge-aware attention mechanism that can update the head node features by learning the joint attention score of each neighbor and edge. Finally, we obtain a graph-level embedding through the global pooling process of the updated head, serving as an implicit representation for the WSI classification. Our end-to-end graph representation learning approach has outperformed the state-of-the-art WSI analysis methods on three TCGA benchmark datasets and in-house test sets. Our code is available at https://github.com/WonderLandxD/WiKG.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google