用于整块滑片图像分类的硬负样本矫采集
计算机视觉与模式识别
2024-10-04 v1
摘要
弱监督的整块滑片图像 (WSI) 分类因缺乏 patch 级标签和高计算成本而具有挑战性。前沿方法使用自监督的 patch 级特征表示进行多实例学习 (MIL)。最近的研究提出了通过伪标签微调特征表示的方法，但主要关注选择高质量的正样本 patch。在本文中，我们提出在微调期间矫采集硬负样本。这使我们能够获得更好的特征表示并降低训练成本。此外，我们提出了一种新的 MIL 中的 patch 级排序损失，以更好地利用这些硬负样本。在两个公开数据集上的实验表明，这些提议想法的有效性。我们的代码已公开于 https://github.com/winston52/HNM-WSI。
引用
@article{arxiv.2410.02212,
title = {Hard Negative Sample Mining for Whole Slide Image Classification},
author = {Wentao Huang and Xiaoling Hu and Shahira Abousamra and Prateek Prasanna and Chao Chen},
journal= {arXiv preprint arXiv:2410.02212},
year = {2024}
}
备注
13 pages, 4 figures, accepted by MICCAI 2024