基于掩码去噪机制的Agent聚合器用于组织病理全切片图像分析
计算机视觉与模式识别
2024-09-19 v1 人工智能
摘要
组织病理分析是医学诊断的黄金标准。准确分类全切片图像（WSI）和区域感兴趣（ROI）定位可帮助病理学家进行诊断。WSI的巨像素分辨率以及缺乏细粒标注，使得直接进行分类和分析具有挑战性。在弱监督学习中，基于多实例学习（MIL）为WSI分类提供了可行的途径。当前主流策略是使用注意力机制来衡量实例重要性以进行分类。然而，注意力机制难以捕获实例之间的信息，且自注意力导致二次计算复杂度。为此，本文提出了AMD-MIL，一种结合掩码去噪机制的Agent聚合器。Agent token作为查询和键之间计算实例重要性的中间变量。掩码和去噪矩阵从agent聚合的值中映射，动态屏蔽低贡献表征并消除噪声。AMD-MIL通过调整特征表征实现更好的注意力分配，捕捉癌症中的微转移，并提高可解释性。在CAMELYON-16、CAMELYON-17、TCGA-KIDNEY和TCGA-LUNG上的大量实验表明，AMD-MIL在状态方法上表现优异。
引用
@article{arxiv.2409.11664,
title = {Agent Aggregator with Mask Denoise Mechanism for Histopathology Whole Slide Image Analysis},
author = {Xitong Ling and Minxi Ouyang and Yizhi Wang and Xinrui Chen and Renao Yan and Hongbo Chu and Junru Cheng and Tian Guan and Sufang Tian and Xiaoping Liu and Yonghong He},
journal= {arXiv preprint arXiv:2409.11664},
year = {2024}
}