用于全切片图像分类的双向弱监督知识蒸馏
计算机视觉与模式识别
2022-10-11 v2
摘要
基于全切片图像（WSI）分类的计算机辅助病理诊断在临床实践中起着重要作用，通常将其表述为弱监督多示例学习（MIL）问题。现有方法从包分类或示例分类的角度解决该问题。本文提出一种用于WSI分类的端到端弱监督知识蒸馏框架（WENO），该框架将包分类器与示例分类器集成于知识蒸馏框架中，以相互提升两个分类器的性能。具体而言，采用基于注意力的包分类器作为教师网络，利用弱包标签进行训练；采用示例分类器作为学生网络，利用从教师网络获得的归一化注意力分数作为正包中示例的软伪标签进行训练。教师网络与学生网络共享示例特征提取器，以进一步增强二者之间的知识交换。此外，我们提出一种基于学生网络输出的难正例挖掘策略，迫使教师网络持续挖掘难正例。WENO是一种即插即用的框架，可轻松应用于任何现有的基于注意力的包分类方法。在五个数据集上的大量实验证明了WENO的有效性。代码见 https://github.com/miccaiif/WENO。
引用
@article{arxiv.2210.03664,
title = {Bi-directional Weakly Supervised Knowledge Distillation for Whole Slide Image Classification},
author = {Linhao Qu and Xiaoyuan Luo and Manning Wang and Zhijian Song},
journal= {arXiv preprint arXiv:2210.03664},
year = {2022}
}
备注
Accepted by NeurIPS 2022