主动学习增强基于注意力的多示例学习对组织病理学全切片图像的分类
计算机视觉与模式识别
2023-03-03 v1 图像与视频处理
摘要
在许多组织病理学任务中，样本分类依赖于组织或单个细胞中仅在最高放大倍率下可见的形态学细节。对病理医生而言，这意味着繁琐的放大与缩小；而对计算决策支持算法而言，这导致每张全切片图像（WSI）需分析海量小图像块。基于注意力的多示例学习（MIL）以弱监督方式学习注意力估计，已成功应用于计算组织病理学，但其受大量不相关图像块的挑战，准确性下降。在此，我们提出一种针对该问题的主动学习方法。查询专家标注 WSI 中的感兴趣区域，引导 MIL 形成高注意力区域。我们训练基于注意力的 MIL，并为数据集中每张图像计算置信度度量，以选择最不确定的 WSI 供专家标注。我们在 CAMELYON17 数据集上测试了该方法，用于乳腺癌转移淋巴结切片的分类。借助一种新颖的注意力引导损失，在每类仅标注少量区域的情况下，训练模型的准确性得到提升。因此，主动学习提高了 WSI 分类准确性，带来更快且更鲁棒收敛，并加速标注过程。未来它可成为在组织病理学癌症分类临床相关背景下训练 MIL 模型的重要贡献。
引用
@article{arxiv.2303.01342,
title = {Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning},
author = {Ario Sadafi and Nassir Navab and Carsten Marr},
journal= {arXiv preprint arXiv:2303.01342},
year = {2023}
}
备注
Accepted for publication at the 2023 IEEE International Symposium on Biomedical Imaging (ISBI 2023)