DeltaMIL：用于高效且具辨识力的全切片图像分析的门控记忆集成
计算机视觉与模式识别
2025-12-23 v1
摘要
全切片图像 (WSI) 通常使用多实例学习 (MIL) 方法进行分析。然而，WSI 的规模和异质性会生成高度冗余和分散的信息，使其难以识别和集成具辨识力的信号。现有 MIL 方法要么无法有效地丢弃无信息线索，要么在整合来自多个切片的相关特征方面能力有限，这限制了其在大规模和异质 WSI 上的性能。为此，我们提出了 DeltaMIL，一种新的 MIL 框架，显式选择语义相关区域并集成来自 WSI 的具辨识信息。我们的方法利用门控 delta 规则，通过一种结合遗忘和记忆机制的模块来高效地过滤和集成信息。delta 机制通过根据其与当前切片的相关性来动态更新记忆，既删除旧值又插入新值。此外，门控机制进一步启用了快速遗忘无关信号的能力。此外，DeltaMIL 集成了一种互补的局部模式混合机制，以保留细粒度病理局部性。我们的设计增强了对有意义线索的提取，抑制了冗余或噪声信息，从而提高了模型的鲁棒性和辨识力。实验表明，DeltaMIL 实现了最好的性能。具体而言，对于生存预测，DeltaMIL 使用 ResNet-50 特征时性能提升 3.69%，使用 UNI 特征时提升 2.36%。对于切片级分类，使用 ResNet-50 特征时准确率提高 3.09%，使用 UNI 特征时提高 3.75%。这些结果显示了 DeltaMIL 在 diverse WSI 任务中强大且持久的性能。
引用
@article{arxiv.2512.19331,
title = {DeltaMIL: Gated Memory Integration for Efficient and Discriminative Whole Slide Image Analysis},
author = {Yueting Zhu and Yuehao Song and Shuai Zhang and Wenyu Liu and Xinggang Wang},
journal= {arXiv preprint arXiv:2512.19331},
year = {2025}
}
备注
11 pages,7 figures,8 tables