面向组织切片图像分析的持续多实例学习与增强局部化

多实例学习（MIL）通过基于袋级弱标签显著降低了大规模图像（如组织切片全尺寸图像，WSI）的标注成本。然而，其对具有最小遗忘持续任务适应性的探索极少见，尤其是针对局部化的实例分类。弱增量式语义分割的持续局部化研究已得到探讨，但其关注的是自然图像，利用预训练模型借助全局关系（例如 $16 \times 16$ 的小补丁）进行处理。这一方法似乎难以适用于MIL局部化，因为大量（$\sim 10^5$）的大型补丁（例如 $256 \times 256$）且缺乏可用的全局关系（如癌细胞）。为此，我们提出持续多实例学习与增强局部化框架（CoMEL），用于实现局部化和最小遗忘的MIL。CoMEL由三部分组成：（1）分组双注意力Transformer（GDAT）用于高效实例编码；（2）基于袋原型的伪标签（BPPL）用于可靠的实例伪标签；（3）正交加权低秩适应（OWLoRA）以减轻袋级和实例分类中的遗忘。在三个公开WSI数据集上的大量实验表明，CoMEL在持续MIL设置下在袋级准确率上优于先前方法最高可达 $11.00\%$，在局部化准确率上提升最高可达 $23.4\%$。