RLogist：基于深度强化学习的全切片图像快速观测策略
计算机视觉与模式识别
2022-12-14 v2 人工智能
机器学习
摘要
计算病理中的全切片图像（WSI）具有千兆像素的高分辨率，但通常仅有稀疏的感兴趣区域，这导致切片中每个区域的诊断相关性弱且数据效率低。现有多数方法依赖多示例学习框架，需要在高倍率下密集采样局部图像块。其局限性在应用阶段尤为明显，因为提取块级特征的大量计算不可避免。本文中，我们开发了 RLogist，一种用于 WSI 上快速观测策略的基准深度强化学习（DRL）方法。我们的 RL 智能体模仿人类病理医生的诊断逻辑，学习如何跨多个分辨率层级寻找具有观测价值的区域并获取代表性特征，而无需在高倍率下分析 WSI 的每一部分。我们在两项全切片级分类任务上对所提方法进行基准测试，包括淋巴结切片 WSI 中转移灶的检测，以及肺癌的亚型分类。实验结果表明，与典型的多示例学习算法相比，RLogist 取得了具有竞争力的分类性能，同时具有显著更短的观测路径。此外，RLogist 给出的观测路径提供了良好的决策可解释性，其读片路径导航能力有望被病理医生用于教学/辅助目的。我们的代码可在：\url{https://github.com/tencent-ailab/RLogist} 获取。
引用
@article{arxiv.2212.01737,
title = {RLogist: Fast Observation Strategy on Whole-slide Images with Deep Reinforcement Learning},
author = {Boxuan Zhao and Jun Zhang and Deheng Ye and Jian Cao and Xiao Han and Qiang Fu and Wei Yang},
journal= {arXiv preprint arXiv:2212.01737},
year = {2022}
}
备注
accepted by AAAI 2023