DGMIL：用于全切片图像分类的分布引导多示例学习
计算机视觉与模式识别
2022-06-20 v1
摘要
多示例学习（MIL）广泛用于分析组织病理学全切片图像（WSI）。然而，现有的MIL方法并未显式地对数据分布建模，而是仅通过训练分类器以判别方式学习包级或实例级决策边界。在本文中，我们提出了DGMIL：一个用于WSI分类和阳性斑块定位的特征分布引导深度MIL框架。我们没有设计复杂的判别网络架构，而是揭示了组织病理学图像数据的内在特征分布可以作为实例分类的非常有效的引导。我们提出了一种聚类条件特征分布建模方法和一种基于伪标签的迭代特征空间优化策略，使得在最终的特征空间中，阳性和阴性实例可以很容易地被分离。在CAMELYON16数据集和TCGA肺癌数据集上的实验表明，我们的方法在全局分类和阳性斑块定位任务上均达到了新的SOTA。
引用
@article{arxiv.2206.08861,
title = {DGMIL: Distribution Guided Multiple Instance Learning for Whole Slide Image Classification},
author = {Linhao Qu and Xiaoyuan Luo and Shaolei Liu and Manning Wang and Zhijian Song},
journal= {arXiv preprint arXiv:2206.08861},
year = {2022}
}
备注
accepted by MICCAI 2022