基于持续学习的多实例学习在全切片组织图像中的进展
计算机视觉与模式识别
2025-05-19 v1
摘要
医学影像与深度学习的快速发展推动了全切片组织图像 (WSI) 分析在内的医学影像领域的发展，多实例学习 (MIL) 在高效且准确的诊断方面显示出前景。然而，传统的 MIL 模型往往缺乏对不断演变的数据集的适应性，因为其依赖静态训练，无法在无需大量重新训练的情况下 incorporar new information。将持续学习 (CL) 应用于 MIL 模型是可能的解决方案，但往往仅限于有限的改进。在本文中，我们分析了注意力 MIL 模型中的持续学习，并发现模型遗忘主要集中在 MIL 模型的注意力层中。基于这些分析结果，我们提出了两个用于改进 MIL 上持续学习的组件：注意力知识蒸馏 (Attention Knowledge Distillation, AKD) 和伪包记忆池 (Pseudo-Bag Memory Pool, PMP)。AKD 通过专注于保留学习期之间注意力层知识来缓解灾难性遗忘，而 PMP 通过选择性存储来自 WSIs 中最具信息性的切片块（即“伪包”）来减少内存占用。实验评估表明，我们的方法在多样化的 WSIs 数据集上显著提高了准确率和内存效率，超越了当前的持续学习方法的现有水平。这一工作为大规模、弱标注临床数据集中的持续学习奠定了基础，为更具可适应性和韧性的诊断模型铺平了道路。
引用
@article{arxiv.2505.10649,
title = {Advancing Multiple Instance Learning with Continual Learning for Whole Slide Imaging},
author = {Xianrui Li and Yufei Cui and Jun Li and Antoni B. Chan},
journal= {arXiv preprint arXiv:2505.10649},
year = {2025}
}
备注
Accepted by CVPR 2025