AugDiff：基于扩散的全切片图像多示例学习特征增强
计算机视觉与模式识别
2023-03-14 v1
摘要
多示例学习（MIL）作为一种强大的弱监督学习策略，能够对十亿像素全切片图像（WSIs）执行各种预测任务。然而，WSIs中数以万计的图块通常为图像增强带来巨大的计算负担，限制了MIL模型在性能上的提升。当前，基于特征增强的MIL框架是一种有前景的解决方案，而现有方法如Mixup常产生不真实的特征。为探索一种更高效实用的增强方法，我们首次将扩散模型（DM）引入MIL并提出称为AugDiff的特征增强框架。具体而言，我们利用DM的生成多样性提升特征增强质量，并利用逐步生成特性控制语义信息的保留。我们在三个不同癌症数据集、两种不同特征提取器和三种流行MIL算法上进行了广泛实验以评估AugDiff的性能。消融研究与可视化进一步验证了有效性。此外，我们强调AugDiff相比图像增强具有更高质量的增强特征，且优于自监督学习。在外部数据集上的泛化性表明了其更广泛的应用。
引用
@article{arxiv.2303.06371,
title = {AugDiff: Diffusion based Feature Augmentation for Multiple Instance Learning in Whole Slide Image},
author = {Zhuchen Shao and Liuxi Dai and Yifeng Wang and Haoqian Wang and Yongbing Zhang},
journal= {arXiv preprint arXiv:2303.06371},
year = {2023}
}