基于分层蒸馏多实例学习的快速准确千兆像素病理图像分类
计算机视觉与模式识别
2025-03-04 v2
摘要
尽管多实例学习（MIL）在病理图像分类中取得了成功，但由于需要处理来自千兆像素全切片图像（WSI）的大量图像块，它面临着推理成本高的挑战。为了解决这个问题，我们提出了HDMIL，一个分层蒸馏多实例学习框架，通过消除不相关的图像块来实现快速准确的分类。HDMIL由两个关键组件组成：动态多实例网络（DMIN）和轻量级实例预筛选网络（LIPN）。DMIN在高分辨率WSI上运行，而LIPN在相应的低分辨率对应图像上运行。在训练期间，DMIN被训练用于WSI分类，同时生成基于注意力分数的掩码，以指示不相关的图像块。这些掩码随后指导LIPN的训练，以预测每个低分辨率图像块的相关性。在测试期间，LIPN首先确定低分辨率WSI内的有用区域，这使我们能够间接消除高分辨率WSI中的不相关区域，从而在不导致性能下降的情况下减少推理时间。此外，我们进一步设计了计算病理学中首个基于切比雪夫多项式的Kolmogorov-Arnold分类器，该分类器通过可学习的激活层增强了HDMIL的性能。在三个公共数据集上的大量实验表明，HDMIL优于以前的SOTA方法，例如，在Camelyon16数据集上，AUC提高了3.13%，同时推理时间减少了28.6%。
引用
@article{arxiv.2502.21130,
title = {Fast and Accurate Gigapixel Pathological Image Classification with Hierarchical Distillation Multi-Instance Learning},
author = {Jiuyang Dong and Junjun Jiang and Kui Jiang and Jiahan Li and Yongbing Zhang},
journal= {arXiv preprint arXiv:2502.21130},
year = {2025}
}
备注
11 pages, 4 figures, accepted by CVPR2025