基于多示例学习中主动采样的卵巢癌组织病理学全切片图像高效亚型分类
图像与视频处理
2023-02-23 v2 计算机视觉与模式识别
摘要
组织病理学切片弱监督分类是一项计算密集型任务，典型全切片图像（WSI）包含数十亿像素需要处理。我们提出用于多示例学习的判别区域主动采样（DRAS-MIL），一种计算高效的切片分类方法，利用注意力分数将采样聚焦于高度判别性区域。我们将此方法应用于卵巢癌组织学亚型的诊断，这是患者诊疗路径中的重要环节，因为不同亚型具有不同的遗传与分子特征、治疗方案及患者预后。我们使用来自利兹教学医院 NHS 信托的 147 名上皮性卵巢癌患者的 714 张 WSI 数据集，将最常见亚型高级别浆液性癌与其余四种亚型（低级别浆液性、子宫内膜样、透明细胞及黏液性癌）合并后的类别区分开。我们证明 DRAS-MIL 可达到与穷举切片分析相近的分类性能，其 3 折交叉验证 AUC 为 0.8679，而标准基于注意力的 MIL 分类为 0.8781。我们的方法最多使用标准方法 18% 的内存，在 GPU 上评估时耗时为其 33%，仅用 CPU 时仅为 14%。降低预测时间与内存需求有助于临床部署及 AI 的普及化，减少计算硬件对终端用户采用的限制。
引用
@article{arxiv.2302.08867,
title = {Efficient subtyping of ovarian cancer histopathology whole slide images using active sampling in multiple instance learning},
author = {Jack Breen and Katie Allen and Kieran Zucker and Geoff Hall and Nicolas M. Orsi and Nishant Ravikumar},
journal= {arXiv preprint arXiv:2302.08867},
year = {2023}
}