聚类级稀疏多实例学习用于全切片图像

多实例学习（MIL）对于分析复杂弱标注数据集至关重要，例如计算病理学中的全切片图像（WSI），其中包由具有稀疏诊断相关性的无序实例集合组成。传统的MIL方法，包括早期统计方法和近期的注意力框架，难以处理实例冗余，且缺乏丢弃非信息性实例的显式机制，限制了其鲁棒性和可解释性。我们提出了聚类级稀疏MIL（csMIL），一个新颖框架，集成了全局-局部实例聚类、包内注意力以及聚类级稀疏诱导以应对这些挑战。我们的csMIL首先在所有包中进行全局聚类以建立K个聚类中心，随后在每个包内进行局部聚类以分配聚类标签。在每个聚类内计算注意力分数，并对聚类权重施加稀疏正则化，从而选择性地保留具有诊断相关性的聚类同时丢弃无关聚类。该方法增强了对噪声实例的鲁棒性，通过识别关键区域提高了可解释性，并降低了计算复杂度。理论分析表明csMIL需要O(s log K)个包来恢复s个相关聚类，与压缩感知原理一致。在经验上，csMIL在两个公共组织病理学基准数据集（CAMELYON16、TCGA-NSCLC）上取得了最先进性能。