面向病理图像诊断的跨尺度多示例学习
图像与视频处理
2024-02-19 v3 计算机视觉与模式识别
机器学习
摘要
在数字病理学中，分析高分辨率全切片图像（WSIs）中跨多个尺度的信息是一项重大挑战。多示例学习（MIL）是通过对对象包（即较小图像块集合）进行分类来处理高分辨率图像的常用方案。然而，此类处理通常在WSIs的单一尺度（如20倍放大）下进行，忽视了人类病理医生诊断所依赖的关键跨尺度信息。本研究提出一种新颖的跨尺度MIL算法，将跨尺度关系显式聚合至单一MIL网络用于病理图像诊断。本文贡献有三：（1）提出一种集成多尺度信息与跨尺度关系的新型跨尺度MIL（CS-MIL）算法；（2）创建并发布带有尺度特异性形态学特征的玩具数据集，以检验和可视化差异化跨尺度注意力；（3）我们的简易跨尺度MIL策略在内部与公共数据集上均展现出优越性能。官方实现已公开于https://github.com/hrlblab/CS-MIL。
引用
@article{arxiv.2304.00216,
title = {Cross-scale Multi-instance Learning for Pathological Image Diagnosis},
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:2304.00216},
year = {2024}
}