Attention2Minority：基于显著实例推断的多实例学习用于全切片图像中小病灶分类
计算机视觉与模式识别
2023-12-14 v2
摘要
多实例学习（MIL）模型在分析全切片图像（WSIs）进行疾病分类问题上取得了显著成功。然而，对于十亿像素WSI分类问题，当前MIL模型往往难以区分具有极小肿瘤病灶的WSI。MIL包中微小的肿瘤与正常区域比抑制了注意力机制对微小肿瘤病灶对应区域赋予适当权重。为克服这一挑战，我们提出显著实例推断MIL（SiiMIL），一种用于WSI分类的弱监督MIL模型。我们的方法首先学习正常WSI的表示，然后将正常WSI表示与所有输入块进行比较以推断输入WSI的显著实例。最后，它采用基于注意力的MIL根据所选WSI块进行切片级分类。我们的实验表明，SiiMIL能准确识别仅占WSI不到1%的肿瘤实例，从而使包内肿瘤与正常实例比增加两到四倍。值得一提的是，它对大肿瘤病灶同样表现良好。因此，SiiMIL相较最先进的MIL方法实现了性能的显著提升。
引用
@article{arxiv.2301.07700,
title = {Attention2Minority: A salient instance inference-based multiple instance learning for classifying small lesions in whole slide images},
author = {Ziyu Su and Mostafa Rezapour and Usama Sajjad and Metin Nafi Gurcan and Muhammad Khalid Khan Niazi},
journal= {arXiv preprint arXiv:2301.07700},
year = {2023}
}