面向全切片图像多实例学习的可微缩放方法
计算机视觉与模式识别
2022-07-27 v4
摘要
多实例学习（MIL）方法在数字病理学中对千兆像素大小的全切片图像（WSIs）进行分类已日益流行。大多数 MIL 方法在单一 WSI 放大倍率下操作，处理所有组织块。这种形式导致计算需求高，并将 WSI 级表征的上下文信息限制在单一尺度。少数 MIL 方法扩展到多尺度，但计算需求更大。本文受病理诊断过程的启发，提出了 ZoomMIL，一种以端到端方式学习执行多级缩放的方法。ZoomMIL 通过聚合来自多个放大倍率的组织上下文信息来构建 WSI 表征。所提出的方法在两个大型数据集上的 WSI 分类中优于最先进的 MIL 方法，同时在浮点运算次数（FLOPs）和处理时间方面显著降低了计算需求，降幅高达 40 倍。
引用
@article{arxiv.2204.12454,
title = {Differentiable Zooming for Multiple Instance Learning on Whole-Slide Images},
author = {Kevin Thandiackal and Boqi Chen and Pushpak Pati and Guillaume Jaume and Drew F. K. Williamson and Maria Gabrani and Orcun Goksel},
journal= {arXiv preprint arXiv:2204.12454},
year = {2022}
}
备注
Typos corrected; Changed dataset name from INSEC to CRC upon dataset creators' request; Update affiliation and fix typos;