Implementace metody "Multiple instance learning" pomocí Markovských sítí

Abstract

Tato práce pojednává implementaci multiple instance learning frameworku používající metody Markovských sítí s optimalizačními metodami batch gradient descent, inference based SVM a naší metodou linearního programování. Úspešně jsme ověřili naší implementaci na multiple instance learning datasetech, kterou jsme následně použili pro klasifikaci buněk rakoviny z předpočítaných deskriptorů, které byly vygenerovány z histologických fotek lymfatických uzlin. Manuální klasifikace individuálních fotek je prováděna patology, nicméně se jedná o zlouhavý proces a použití metody multiple instance learning, jakožto dalšího diagnostického nástroje pro klasifikaci rakoviny, který by zvýšil přesnost a rychlost klasificace je vitální. Výsledky, které byly naměřeny na Camelyon datasetu s optimalizační metodou batch gradient decent byly srovnatelné se state-of-art metodami.

We present implementation of multiple instance learning (MIL) framework based on Markov networks with optimization methods of batch gradient descent, inference based SVM and propose new approach with the use of linear programming. In this paper we successfully validated our implementation on common multiple instance learning datasets and used it for classifying cancer metastases on sets of precalculated descriptors, which were generated from images of histological lymph node sections. Manual classification of individual images by pathologist is a lengthy process and using multiple instance learning to provide another diagnostic tool for classification could increase accuracy and speed of classification which is vital. The results measured on Camelyon dataset with batch gradient descent method were comparable to state-of-art methods