FenixEdu™

Dissertação

Graphs Are All You Need: the Role of Graph-based MIL and Interventional Training in the Generalization of WSI Classifiers EVALUATED

Detalhes: Whole Slide Imaging (WSI), que envolve a digitalização de lâminas de patologia, tornou-se a referência para o diagnóstico de cancro, mas a sua alta resolução e escassez de dados anotados apresentam desafios para os modelos de aprendizagem profunda. Multiple Instance Learning (MIL), uma abordagem de supervisão fraca amplamente utilizada para análise de WSI, não requer anotações a nível dos patches. No entanto, os métodos convencionais de MIL ignoram as relações espaciais entre patches, que são cruciais para tarefas como estadiamento e diagnóstico do cancro. De forma a abordar esta questão, métodos baseados em grafos ganharam destaque, uma vez que são capazes de incorporar informação espacial através da conexão entre nós. Apesar do seu potencial, tanto os modelos de MIL como os modelos à base de grafos são vulneráveis a aprender a partir de associações espúrias, como por exemplo variações de cor nas WSIs, que afetam a sua robustez. Nesta dissertação, realizamos uma comparação extensa entre diversas técnicas de construção de grafos, modelos de MIL, abordagens que combinam MIL e grafos e treino intervencional, introduzindo uma nova arquitetura, Graph-based Multiple Instance Learning with Interventional Training (GMIL-IT), para classificação de WSI. Avaliamos o impacto destes componentes na capacidade de generalização do modelo através de uma análise de mudança de domínio, demonstrando que os modelos baseados em grafos, por si só, alcançam a generalização inicialmente esperada do treino intervencional.
Keywords: Patologia Digital, Multiple Instance Learning, Rede Neuronal de Grafos, Treino Intervencional

Discussão: novembro 20, 2024, 9:0

Documentos da dissertação ainda não disponíveis publicamente