在多示例学习中引入示例标签相关性：在组织病理学图像上的癌症检测应用
计算机视觉与模式识别
2023-10-31 v1 人工智能
机器学习
摘要
近年来，多示例学习（MIL）这一弱监督范式在许多不同领域变得非常流行。一个典型例子是计算病理学，其中全切片图像缺乏块级标签，阻碍了监督模型的应用。基于高斯过程（GPs）的概率 MIL 方法因其优异的不确定性估计能力而取得了有前景的结果。然而，这些是通用目的的 MIL 方法，未考虑一个重要事实：在（组织病理学）图像中，相邻块的标签预期是相关的。在本工作中，我们扩展了名为 VGPMIL-PR 的先进基于 GP 的 MIL 方法，以利用这种相关性。为此，我们受统计物理 Ising 模型启发开发了一个新的耦合项。我们使用变分推断来估计所有模型参数。有趣的是，当调节 Ising 项强度的权重消失时，便恢复了 VGPMIL-PR 公式。所提方法的性能在两个前列腺癌检测的真实世界问题上进行了评估。我们表明，我们的模型取得了优于其他先进概率 MIL 方法的结果。我们还提供了不同的可视化与分析，以深入理解新 Ising 项的影响。这些见解有望促进所提模型在其他研究领域的应用。
引用
@article{arxiv.2310.19359,
title = {Introducing instance label correlation in multiple instance learning. Application to cancer detection on histopathological images},
author = {Pablo Morales-Álvarez and Arne Schmidt and José Miguel Hernández-Lobato and Rafael Molina},
journal= {arXiv preprint arXiv:2310.19359},
year = {2023}
}
备注
33 pages, 6 figures, 6 tables. Published at Pattern Recognition journal