基于跨尺度注意力引导多实例学习的克罗恩病病理图像诊断
计算机视觉与模式识别
2022-08-16 v1 人工智能
摘要
多实例学习（MIL）被广泛用于病理全切片图像（WSI）的计算机辅助判读，以解决缺乏像素级或块级标注的问题。通常，这种方法直接应用“自然图像驱动”的 MIL 算法，忽略了 WSI 的多尺度（即金字塔）特性。现有的 MIL 算法通常部署在 WSI 的单一尺度上（例如 20 倍放大），而人类病理学家通常以多尺度方式聚合全局与局部模式（例如在不同放大倍数间缩放）。在本研究中，我们提出一种新颖的跨尺度注意力机制，将尺度间交互显式聚合到单一的 MIL 网络中，用于克罗恩病（CD，一种炎症性肠病）的诊断。本文的贡献有两点：（1）提出跨尺度注意力机制，通过多尺度交互聚合来自不同分辨率的特征；（2）生成差异化的多尺度注意力可视化以定位可解释的病变模式。通过在 20 名 CD 患者和 30 名健康对照样本的不同尺度上训练约 250,000 个 H&E 染色的升结肠（AC）块，我们的方法取得了 0.8924 的曲线下面积（AUC）分数，优于基线模型。官方实现已公开于 https://github.com/hrlblab/CS-MIL。
引用
@article{arxiv.2208.07322,
title = {Cross-scale Attention Guided Multi-instance Learning for Crohn's Disease Diagnosis with Pathological Images},
author = {Ruining Deng and Can Cui and Lucas W. Remedios and Shunxing Bao and R. Michael Womick and Sophie Chiron and Jia Li and Joseph T. Roland and Ken S. Lau and Qi Liu and Keith T. Wilson and Yaohong Wang and Lori A. Coburn and Bennett A. Landman and Yuankai Huo},
journal= {arXiv preprint arXiv:2208.07322},
year = {2022}
}