cDP-MIL：基于级联Dirichlet过程的鲁棒多实例学习
计算机视觉与模式识别
2024-07-22 v2
摘要
多实例学习（MIL）已广泛应用于整块组织病理图像（WSI）分析。现有MIL策略中的聚合方法主要依赖于实例之间的一阶距离（如均值差），无法准确逼近每个实例的真实特征分布，导致滑动块级表示偏置。此外，WSI观测数据稀缺，容易导致模型过拟合，进而影响测试性能并限制泛化性。为解决这些挑战，本文提出一种新的贝叶斯非参数框架用于多实例学习，采用级联Dirichlet过程（cDP）来融合WSI中实例到母袋的特征。我们基于Dirichlet过程形成的潜在聚类进行特征聚合，该聚合方式融合了patch特征的协方差，形成更具代表性的聚类。随后，在母袋上构建另一个Dirichlet过程模型进行袋级预测，该模型对学习施加了自然的正则化，防止过拟合并提升泛化性。此外，作为贝叶斯非参数方法，cDP模型能够准确生成后验不确定性，从而用于异常样本检测和肿瘤定位。我们在五个WSI基准数据集上进行大量实验，验证了该方法的卓越性能、良好泛化性以及不确定性估计能力。代码已公开于 https://github.com/HKU-MedAI/cDPMIL。
引用
@article{arxiv.2407.11448,
title = {cDP-MIL: Robust Multiple Instance Learning via Cascaded Dirichlet Process},
author = {Yihang Chen and Tsai Hor Chan and Guosheng Yin and Yuming Jiang and Lequan Yu},
journal= {arXiv preprint arXiv:2407.11448},
year = {2024}
}
备注
Accepted by ECCV 2024