CARMIL：面向Whole Slide Images的基于上下文感知的多实例学习正则化方法
计算机视觉与模式识别
2024-08-13 v2 人工智能
摘要
多实例学习（MIL）模型已被证明在从Whole Slide Images（WSI）进行癌症预后预测方面效果显著。然而，原始的MIL公式错误地假设同一图像的切片彼此独立，导致网络信息传递过程中丢失空间上下文信息。鉴于癌细胞倾向于形成簇集以及肿瘤存在空间指标，融合上下文知识进行预测尤为重要。现有方法通常采用注意力机制最终结合图结构来捕获空间知识。本文提出了一种新颖且横向的解决方案，围绕正则化的视角来处理此问题。我们提出了用于多实例学习的Context-Aware Regularization（CARMIL），这是一种旨在无缝整合空间知识到任何MIL模型中的通用正则化方案。此外，我们还提出了一种新型且通用的度量方法，用于量化应用于Whole Slide Images的任何MIL模型的Context-Awareness，解决了该领域以前未被探索的空白。我们在两个生存分析任务上评估了该框架的有效性，分别使用来自TCGA GBM和TCGA COAD的数据。
引用
@article{arxiv.2408.00427,
title = {CARMIL: Context-Aware Regularization on Multiple Instance Learning models for Whole Slide Images},
author = {Thiziri Nait Saada and Valentina Di Proietto and Benoit Schmauch and Katharina Von Loga and Lucas Fidon},
journal= {arXiv preprint arXiv:2408.00427},
year = {2024}
}