面向全切片图像分类的动态策略驱动自适应多实例学习
计算机视觉与模式识别
2024-03-14 v1
摘要
多实例学习（MIL）在使用包或伪包进行组织病理学全切片图像（WSI）分析方面表现出色。它涉及实例采样、特征表示和决策制定。然而，现有的基于 MIL 的技术至少存在以下一个或多个问题：1）需要高存储量和大量预处理来处理众多实例（采样）；2）在预测包标签时，由于知识有限而可能过拟合（特征表示）；3）伪包数量和先验偏差影响模型的鲁棒性和泛化能力（决策制定）。受临床诊断的启发，利用过去的采样实例可以促进最终的 WSI 分析，但这在先前技术中很少被探索。为了突破这些限制，我们将动态实例采样和强化学习整合到一个统一的框架中，以改进实例选择和特征聚合，形成一种新颖的动态策略实例选择（DPIS）方案，用于更好、更可信的决策。具体来说，我们采用特征距离度量和奖励函数来促进连续实例采样。为了缓解过拟合，我们探索了实例之间潜在的全局关系，以获得更鲁棒和更具判别性的特征表示，同时利用对比学习建立奖励和惩罚机制来纠正伪包中的偏差。这些策略构成了用于 WSI 任务的最终动态策略驱动自适应多实例学习（PAMIL）方法。大量实验表明，我们的 PAMIL 方法在 CAMELYON16 数据集上优于最先进技术 3.8%，在 TCGA 肺癌数据集上优于 4.4%。
引用
@article{arxiv.2403.07939,
title = {Dynamic Policy-Driven Adaptive Multi-Instance Learning for Whole Slide Image Classification},
author = {Tingting Zheng and Kui Jiang and Hongxun Yao},
journal= {arXiv preprint arXiv:2403.07939},
year = {2024}
}
备注
Accepted by CVPR2024;Project page:https://vilab.hit.edu.cn/projects/pamil