全切片病理图像上的干预式包多示例学习
计算机视觉与模式识别
2023-03-14 v1
摘要
多示例学习（MIL）是处理十亿像素分辨率与切片级标签的全切片病理图像（WSIs）分类的有效范式。主流 MIL 方法主要聚焦于改进特征提取器与聚合器。然而，这些方法的一个缺陷是包上下文先验可能诱使模型捕捉包与标签间的虚假关联。该缺陷是一个混杂因子，限制了现有 MIL 方法的性能。本文提出一种新方案——干预式包多示例学习（IBMIL），以实现去混杂的包级预测。与传统的基于似然的策略不同，所提方案基于后门调整实现干预式训练，从而能够抑制包上下文先验导致的偏置。需注意，IBMIL 的原理与现有包 MIL 方法正交。因此，IBMIL 能为现有方案带来一致的性能提升，达到新的最先进水平。代码已发布于 https://github.com/HHHedo/IBMIL。
引用
@article{arxiv.2303.06873,
title = {Interventional Bag Multi-Instance Learning On Whole-Slide Pathological Images},
author = {Tiancheng Lin and Zhimiao Yu and Hongyu Hu and Yi Xu and Chang Wen Chen},
journal= {arXiv preprint arXiv:2303.06873},
year = {2023}
}
备注
Accepted by CVPR 2023; Code at https://github.com/HHHedo/IBMIL