基于对比跨袋增强的多实例学习 whole slide 图像分类
计算机视觉与模式识别
2025-08-06 v1
摘要
近期针对基于多实例学习（MIL）的 whole slide 图像（WSI）分类的伪袋增强方法，由于仅从有限数量的袋子中抽样实例，导致增强多样性受限。为此，我们提出基于对比跨袋增强的 Multiple Instance Learning（），以从同一类别的所有袋子中抽样实例以增加伪袋的多样性。然而，引入新实例会增加关键实例（如肿瘤实例）的数量，从而减少包含少量关键实例的伪袋出现，限制模型在肿瘤面积较小的测试切片上的表现。为此，我们引入基于袋级和群级的对比学习框架，以增强不同语义含义特征的判别能力，从而提升模型性能。实验结果表明， 在多项评估指标上均优于当前最先进的方法。
引用
@article{arxiv.2508.03081,
title = {Contrastive Cross-Bag Augmentation for Multiple Instance Learning-based Whole Slide Image Classification},
author = {Bo Zhang and Xu Xinan and Shuo Yan and Yu Bai and Zheng Zhang and Wufan Wang and Wendong Wang},
journal= {arXiv preprint arXiv:2508.03081},
year = {2025}
}