RLogist: Fast Observation Strategy on Whole-slide Images with Deep Reinforcement Learning

要約

計算病理学におけるスライド全体の画像 (WSI) は、ギガピクセル サイズの高解像度を備えていますが、一般に関心領域がまばらであるため、診断関連性が低く、スライド内の各領域のデータが非効率的です。
既存の方法のほとんどは、高倍率でローカル パッチを密にサンプリングする必要がある複数インスタンス学習フレームワークに依存しています。
パッチレベルの機能を抽出するための重い計算は避けられないため、アプリケーションの段階で制限が明らかになります。
この論文では、WSI の高速観測戦略のためのベンチマーク深層強化学習 (DRL) メソッドである RLogist を開発します。
人間の病理学者の診断ロジックを模倣することで、当社の RL エージェントは、高倍率で WSI の各部分を分析することなく、観測値の領域を見つけて、複数の解像度レベルにわたって代表的な特徴を取得する方法を学習します。
リンパ節切片の WSI での転移の検出や肺がんのサブタイピングなど、2 つのスライド全体レベルの分類タスクでこの方法のベンチマークを行います。
実験結果は、RLogist が典型的な複数インスタンス学習アルゴリズムと比較して競争力のある分類パフォーマンスを達成する一方で、観察パスが大幅に短いことを示しています。
さらに、RLogist によって提供される観察パスは、意思決定の解釈可能性が高く、パス ナビゲーションを読み取るその機能は、病理学者が教育/補助目的で使用できる可能性があります。
私たちのコードは、\url{https://github.com/tencent-ailab/RLogist} で入手できます。

要約(オリジナル)

Whole-slide images (WSI) in computational pathology have high resolution with gigapixel size, but are generally with sparse regions of interest, which leads to weak diagnostic relevance and data inefficiency for each area in the slide. Most of the existing methods rely on a multiple instance learning framework that requires densely sampling local patches at high magnification. The limitation is evident in the application stage as the heavy computation for extracting patch-level features is inevitable. In this paper, we develop RLogist, a benchmarking deep reinforcement learning (DRL) method for fast observation strategy on WSIs. Imitating the diagnostic logic of human pathologists, our RL agent learns how to find regions of observation value and obtain representative features across multiple resolution levels, without having to analyze each part of the WSI at the high magnification. We benchmark our method on two whole-slide level classification tasks, including detection of metastases in WSIs of lymph node sections, and subtyping of lung cancer. Experimental results demonstrate that RLogist achieves competitive classification performance compared to typical multiple instance learning algorithms, while having a significantly short observation path. In addition, the observation path given by RLogist provides good decision-making interpretability, and its ability of reading path navigation can potentially be used by pathologists for educational/assistive purposes. Our code is available at: \url{https://github.com/tencent-ailab/RLogist}.

arxiv情報

著者 Boxuan Zhao,Jun Zhang,Deheng Ye,Jian Cao,Xiao Han,Qiang Fu,Wei Yang
発行日 2022-12-13 13:54:49+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV, cs.LG パーマリンク