数字病理学的多实例学习:对最先进的状态,局限性和未来潜在潜力的审查
Michael Gadermayr1, Maximilian Tschuchnig2
1Department of Information Technologies and Digitalisation, Salzburg University of Applied Sciences, Austria.
概括
数字病理学的深度学习正在通过多重实例学习 (MIL) 取得进展. MIL有效地在没有像素级注释的整个幻灯片图像上训练神经网络,克服数据限制.
科学领域:
- 数字病理学数字病理学
- 计算机辅助诊断是一种计算机辅助诊断.
- 机器学习 机器学习
背景情况:
- 数字全幻灯片图像为自动化分析提供了大量数据.
- 深度神经网络在数字病理学任务中表现有前途.
- 训练深度学习模型通常需要大量的手册注释.
研究的目的:
- 为数字病理学深度学习中的多个实例学习 (MIL) 方法提供概述.
- 讨论MIL在整个幻灯片图像分析方面的最新进展和挑战.
- 突出MIL在克服数字病理学注释局限性的潜力.
主要方法:
- 广泛使用的深度多个实例学习概念的审查.
- 分析MIL算法的最新进展.
- 讨论适用于整个幻灯片图像分析而没有完整注释的技术.
主要成果:
- 多实例学习 (MIL) 是训练深度神经网络而没有完全注释数据的强大工具.
- 在数字病理学中,MIL特别有效,在数字病理学中,全幻灯片图像标签是可用的,但补丁/像素标签不是.
- 近年来,数字病理学的MIL出版物显著增长.
结论:
- 深度多个实例学习 (MIL) 提供了一个可行的解决方案,用于在大规模的数字病理学数据上培训模型.
- MIL的有效性是由数据可用性和GPU计算的进步驱动的.
- 未来的研究应该解决剩余的挑战,并探索MIL在数字病理学中的进一步潜力.
