[論文レビュー] Rethinking Multiple Instance Learning for Whole Slide Image Classification: A Good Instance Classifier is All You Need
本稿では、弱教師付き対照学習とプロトタイプベースの疑似ラベル生成を活用して、インスタンスおよびバッグ分類の両方を向上させる、全スライド画像分類のための新しいインスタンスレベル複数インスタンス学習フレームワークであるINSを提案する。対照的特徴抽出器とプロトタイプ駆動型分類器を共同で訓練することで、高品質な疑似ラベルと頑健な特徴表現を実現し、複数のデータセットにおいて既存のMIL手法を著しく上回る最先端の性能を達成する。
Weakly supervised whole slide image classification is usually formulated as a multiple instance learning (MIL) problem, where each slide is treated as a bag, and the patches cut out of it are treated as instances. Existing methods either train an instance classifier through pseudo-labeling or aggregate instance features into a bag feature through attention mechanisms and then train a bag classifier, where the attention scores can be used for instance-level classification. However, the pseudo instance labels constructed by the former usually contain a lot of noise, and the attention scores constructed by the latter are not accurate enough, both of which affect their performance. In this paper, we propose an instance-level MIL framework based on contrastive learning and prototype learning to effectively accomplish both instance classification and bag classification tasks. To this end, we propose an instance-level weakly supervised contrastive learning algorithm for the first time under the MIL setting to effectively learn instance feature representation. We also propose an accurate pseudo label generation method through prototype learning. We then develop a joint training strategy for weakly supervised contrastive learning, prototype learning, and instance classifier training. Extensive experiments and visualizations on four datasets demonstrate the powerful performance of our method. Codes are available at https://github.com/miccaiif/INS.
研究の動機と目的
- 既存の弱教師付きMIL手法が全スライド画像分類において抱える課題、特にノイズの多い疑似ラベルと不正確な注目メカニズムに基づくインスタンス局在化を解消すること。
- インスタンスレベルのアノテーションが存在しない状況下で、新しい弱教師付き対照学習目的を導入することで、インスタンスレベルの特徴表現を向上させること。
- プロトタイプ学習を用いて、バッグラベルの継承よりもノイズが少なく正確な疑似ラベルを正例インスタンスに対して生成すること。
- 対照学習、プロトタイプ学習、インスタンス分類を同時に最適化する共同学習戦略を構築し、エンドツーエンドの性能を向上させること。
- 対照学習とプロトタイプ学習を統合した強力なインスタンス分類器が、単独でWESI分類において最先端の結果を達成できることを示すこと。
提案手法
- バッグレベルのラベルのみを用いて、真のネガティブインスタンスをアンカーとして用いることで、判別性の高いインスタンスレベル表現を学習するインスタンスレベル弱教師付き対照学習（IWSCL）を提案する。
- 正例バッグのプロトタイプとの類似度を測定することでインスタンスレベルの疑似ラベルを計算するプロトタイプベースの疑似ラベル生成手法を導入し、バッグラベル継承に比べてラベルの正確性を向上させる。
- インスタンス分類器、対照損失、プロトタイプ学習目的を同時に最適化する共同学習戦略を設計し、特徴とラベルの品質を向上させる。
- 訓練の安定化と一般化性能の向上を図るため、疑似ラベルに移動平均更新戦略を適用する。
- 注目メカニズムを備えたバッグレベル分類ヘッドを用いてバッグ予測を精緻化する一方で、高品質な疑似ラベルを用いてインスタンス分類器を学習する。
- t-SNE可視化および線形/SVMプロービングを用いて、学習された特徴表現と疑似ラベルの品質を評価する。
実験結果
リサーチクエスチョン
- RQ1バッグレベルのラベルしか入手できない状況下で、弱教師付き対照学習は、判別性の高いインスタンスレベル表現を効果的に学習できるか？
- RQ2プロトタイプベースの疑似ラベル生成は、単純なバッグラベル継承に比べて、より正確でノイズの少ないインスタンスラベルを生成できるか？
- RQ3対照学習、プロトタイプ学習、インスタンス分類を統合した共同学習戦略は、インスタンスレベルおよびバッグレベル分類性能を著しく向上させられるか？
- RQ4複数の実世界のWSIデータセットにおいて、提案手法は最先端のMIL手法と比較して、インスタンスおよびバッグ分類タスクにおけるAUCスコアでどの程度優れているか？
- RQ5提案された要素である対照学習とプロトタイプ学習は、個別および統合的に最終性能にどの程度寄与しているか？
主な発見
- Camelyon16データセットでは、INSはインスタンスAUC 0.9583、バッグAUC 0.9016を達成し、比較したすべての手法を上回った。
- アブレーションスタディの結果、インスタンスレベル弱教師付き対照学習（IWSCL）損失を除去すると、インスタンスAUCが5.78ポイント低下し、その重要性が裏付けられた。
- 提案されたプロトタイプベースの疑似ラベル生成手法は、トレーニングエポックに伴い疑似ラベルAUCが継続的に上昇するなど、ラベル品質の向上が明確に示された。
- t-SNE可視化により、INSが抽出する特徴は、正例と負例を明確に分離しているのに対し、SimCLRが生成する特徴は顕著な重なりを示していることが確認された。
- 事前に抽出した特徴に対する線形およびSVMプロービングの結果、INSが生成する特徴が最も高い性能を示し、優れた表現学習能力を示している。
- 対照損失や移動平均更新戦略を欠いても、INSはすべてのベースラインを上回る性能を示しており、全体のフレームワークの頑健さと有効性が確認された。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。