基于特征重标定的多示例学习用于全切片图像分类
计算机视觉与模式识别
2022-07-25 v2
摘要
全切片图像(Whole Slide Image, WSI)分类是疾病诊断与治疗的基础任务;但准确标注的整理耗时费力,限制了全监督方法的应用。为此,多示例学习(Multiple Instance Learning, MIL)是一种流行的方法,将分类视为仅使用切片级标签的弱监督学习任务。当前MIL方法应用注意力机制变体以更强模型对实例特征重新加权,却很少关注数据分布的特性。本工作中,我们提出利用最大实例(关键)特征的统计量对WSI包(实例)的分布进行重标定。我们假设在二值MIL中,正包的特征幅值大于负包,从而可用建模正包为分布外(out-of-distribution)的度量特征损失来迫使模型最大化包间差异。为实现此点,不同于现有MIL方法采用单批次训练模式,我们提出平衡批次采样以有效使用该特征损失,即同时利用(+/-)包。此外,我们采用位置编码模块(Position Encoding Module, PEM)建模空间/形态信息,并通过带Transformer编码器的多头自注意力(Pooling by Self-attention with Multi-head Attention, PSMA)进行池化。在现有基准数据集上的实验结果表明我们的方法有效,并优于最先进的MIL方法。
引用
@article{arxiv.2206.10878,
title = {Feature Re-calibration based Multiple Instance Learning for Whole Slide Image Classification},
author = {Philip Chikontwe and Soo Jeong Nam and Heounjeong Go and Meejeong Kim and Hyun Jung Sung and Sang Hyun Park},
journal= {arXiv preprint arXiv:2206.10878},
year = {2022}
}
备注
MICCAI 2022