Cluster-to-Conquer：一种用于全切片图像分类的端到端多示例学习框架
图像与视频处理
2021-06-15 v2 计算机视觉与模式识别
机器学习
摘要
近年来，数字化全切片图像（WSI）的可用性使得基于深度学习的计算机视觉技术可用于自动化疾病诊断。然而，WSI带来了独特的计算与算法挑战。WSI大小为十亿像素级（100K像素），无法直接用于训练深度神经网络。此外，由于精细标注繁琐且专家耗时，训练时往往仅有切片级标签可用。采用多示例学习（MIL）框架的方法已被证明可克服这些挑战。当前最先进的方法将学习框架解耦为两部分：用于编码图像块的卷积神经网络（CNN）与用于切片级预测的独立聚合方法。该方法中，聚合步骤对CNN编码器所学表征没有影响。我们提出了一种端到端框架，将WSI中的图像块聚类为组，从每组中采样个图像块进行训练，并使用自适应注意力机制进行切片级预测，即Cluster-to-Conquer（C2C）。我们证明，将WSI划分为簇可通过使其接触从图像块提取的多样化判别特征来改进模型训练。我们通过引入簇内图像块注意力权重与均匀分布之间的KL散度损失来正则化聚类机制。该框架在切片级交叉熵、图像块级交叉熵和KL散度损失上端到端优化（实现：https://github.com/YashSharma/C2C）。
引用
@article{arxiv.2103.10626,
title = {Cluster-to-Conquer: A Framework for End-to-End Multi-Instance Learning for Whole Slide Image Classification},
author = {Yash Sharma and Aman Shrivastava and Lubaina Ehsan and Christopher A. Moskaluk and Sana Syed and Donald E. Brown},
journal= {arXiv preprint arXiv:2103.10626},
year = {2021}
}
备注
Accepted at MIDL, 2021 - https://openreview.net/forum?id=7i1-2oKIELU