DTFD-MIL：用于组织病理全切片图像分类的双层特征蒸馏多示例学习
计算机视觉与模式识别
2022-03-24 v1 人工智能
机器学习
摘要
多示例学习（MIL）已日益用于组织病理全切片图像（WSIs）的分类。然而，针对该特定分类问题的 MIL 方法仍面临独特挑战，尤其是与小样本队列相关的挑战。其中 WSI 切片（包）数量有限，而单个 WSI 分辨率极高，导致从该切片裁剪出的图块（实例）数量庞大。为解决此问题，我们提出通过引入伪包概念来虚拟扩充包的数量，并在此基础上构建双层 MIL 框架以有效利用内在特征。此外，我们还推导了基于注意力 MIL 框架下的实例概率，并利用该推导帮助构建与分析所提框架。所提方法在 CAMELYON-16 上以显著优势超越其他最新方法，在 TCGA 肺癌数据集上也具有更优性能。所提框架易于扩展至更广泛的 MIL 应用。代码见：https://github.com/hrzhang1123/DTFD-MIL
引用
@article{arxiv.2203.12081,
title = {DTFD-MIL: Double-Tier Feature Distillation Multiple Instance Learning for Histopathology Whole Slide Image Classification},
author = {Hongrun Zhang and Yanda Meng and Yitian Zhao and Yihong Qiao and Xiaoyun Yang and Sarah E. Coupland and Yalin Zheng},
journal= {arXiv preprint arXiv:2203.12081},
year = {2022}
}
备注
Accepted to CVPR2022