BEL：一种用于 Transformer 的袋嵌入损失提升多示例全切片图像分类
计算机视觉与模式识别
2023-03-03 v1 机器学习
摘要
多示例学习（MIL）已成为吉像素组织病理学全切片图像（WSI）分类任务的主流方法。在 MIL 框架下，单个 WSI（袋）被分解为图像块（实例），仅提供 WSI 级标注。近期的 MIL 方法利用 transformer 架构建模实例间依赖关系的能力，产生信息丰富的袋级表示。然而，当应用于高倍率数据集时，由于实例数量庞大且监督学习信号微弱，问题随之出现。为解决该问题，我们提出以新颖的袋嵌入损失（BEL）对 transformer 进行额外训练。BEL 通过最小化同类袋嵌入间的距离并最大化异类间的距离，迫使模型学习有判别力的袋级表示。我们在两个公开组织病理学数据集 BRACS 和 CAMELYON17 上以 Transformer 架构 TransMIL 评估 BEL。我们表明，借助 BEL，TransMIL 在两个数据集上均优于基线模型，从而有助于临床高度相关的基于 AI 的组织学患者材料肿瘤分类。
引用
@article{arxiv.2303.01377,
title = {BEL: A Bag Embedding Loss for Transformer enhances Multiple Instance Whole Slide Image Classification},
author = {Daniel Sens and Ario Sadafi and Francesco Paolo Casale and Nassir Navab and Carsten Marr},
journal= {arXiv preprint arXiv:2303.01377},
year = {2023}
}