基于深度学习的全切片成像多实例学习中的依赖关系建模
图像与视频处理
2021-11-03 v1 计算机视觉与模式识别
定量方法
摘要
多实例学习（MIL）是全切片图像（WSI）分类的关键算法。组织学 WSI 可能包含数十亿像素，这带来了巨大的计算和标注挑战。通常，此类图像被划分为一组图块（实例包），其中仅提供包级别的类别标签。基于深度学习的 MIL 方法使用卷积神经网络（CNN）计算实例特征。我们提出的方法也是基于深度学习的，具有以下两个贡献：首先，我们建议通过在训练中嵌入自注意力 Transformer 块来显式建模实例之间的依赖关系，以捕获实例之间的依赖关系。例如，肿瘤分级可能取决于 WSI 中不同位置出现的几个特定模式，这需要考虑图块之间的依赖关系。其次，我们提出了一种基于实例伪标签的实例级损失函数。我们将所提出的算法与多种基线方法进行比较，在 PANDA 挑战数据集（最大的公开 WSI 数据集，包含超过 11,000 张图像）上进行评估，并展示了最先进的结果。
引用
@article{arxiv.2111.01556,
title = {Accounting for Dependencies in Deep Learning Based Multiple Instance Learning for Whole Slide Imaging},
author = {Andriy Myronenko and Ziyue Xu and Dong Yang and Holger Roth and Daguang Xu},
journal= {arXiv preprint arXiv:2111.01556},
year = {2021}
}
备注
MICCAI 2021