全切片图像分类多实例学习的紧凑且去偏负实例嵌入
计算机视觉与模式识别
2025-08-12 v2
摘要
全切片图像（WSI）分类是一项具有挑战性的任务，因为：1) 来自 WSI 的图像块缺乏标注；2) WSI 存在不必要的变异性，例如染色方案。近年来，多实例学习（MIL）取得了显著进展，允许基于切片级而非图像块级的标注进行分类。然而，现有的 MIL 方法忽略了来自正常切片的所有图像块均为正常这一事实。利用这一免费标注，我们引入了一种半监督信号，以去偏切片间变异性并捕捉正常图像块内的共同变异因子。由于我们的方法正交于 MIL 算法，我们在最近提出的 MIL 算法之上评估了我们的方法，并与其他半监督方法进行了性能比较。我们在包括 Camelyon-16 和 TCGA 肺癌在内的两个公共 WSI 数据集上评估了我们的方法，结果表明我们的方法显著提高了现有 MIL 算法的预测性能，并优于其他半监督算法。我们的代码已发布在 https://github.com/AITRICS/pathology_mil。
引用
@article{arxiv.2402.10595,
title = {Compact and De-biased Negative Instance Embedding for Multi-Instance Learning on Whole-Slide Image Classification},
author = {Joohyung Lee and Heejeong Nam and Kwanhyung Lee and Sangchul Hahn},
journal= {arXiv preprint arXiv:2402.10595},
year = {2025}
}
备注
Accepted to ICASSP 2024