要約
デジタルホール・スライド画像には膨大な情報が含まれているため、自動画像解析ツールの開発には強い動機付けとなる。特にディープニューラルネットワークは、デジタルパソロジーの分野における様々なタスクに関して高い可能性を示しています。しかし、一般的な深層学習アルゴリズムでは、効果的な学習を行うために、大量の画像データに加え、（手動による）アノテーションが必要であるという限界がある。複数インスタンス学習は、完全にアノテーションされたデータがないシナリオでディープニューラルネットワークを学習するための強力なツールであることを示す。これらの手法は、スライド画像全体に対するラベルは日常的に取得されていることが多いが、パッチ、領域、またはピクセルに対するラベルは取得されていないという事実により、この領域で特に有効である。このような可能性から、既にかなりの数の論文が発表されており、その大部分は過去3年間に発表されたものである。データの可用性と医学的な観点からの高いモチベーションに加え、強力なグラフィックス処理ユニットの可用性がこの分野の加速要因であることを示す。本論文では、使用されている深層マルチプルインスタンス学習アプローチの広く効果的に使用されている概念、最近の進歩の概要を提供し、また、残りの課題と将来の可能性について批判的に議論します。
要約(オリジナル)
Digital whole slides images contain an enormous amount of information providing a strong motivation for the development of automated image analysis tools. Particularly deep neural networks show high potential with respect to various tasks in the field of digital pathology. However, a limitation is given by the fact that typical deep learning algorithms require (manual) annotations in addition to the large amounts of image data, to enable effective training. Multiple instance learning exhibits a powerful tool for learning deep neural networks in a scenario without fully annotated data. These methods are particularly effective in this domain, due to the fact that labels for a complete whole slide image are often captured routinely, whereas labels for patches, regions or pixels are not. This potential already resulted in a considerable number of publications, with the majority published in the last three years. Besides the availability of data and a high motivation from the medical perspective, the availability of powerful graphics processing units exhibits an accelerator in this field. In this paper, we provide an overview of widely and effectively used concepts of used deep multiple instance learning approaches, recent advances and also critically discuss remaining challenges and future potential.
arxiv情報
| 著者 | Michael Gadermayr,Maximilian Tschuchnig |
| 発行日 | 2022-06-09 11:27:26+00:00 |
| arxivサイト | arxiv_id(pdf) |