从实例到包分类器的迭代耦合多示例学习用于全切片图像分类
计算机视觉与模式识别
2023-08-24 v2
摘要
全切片图像（WSI）分类由于其极高的分辨率和缺乏细粒度标签仍然是一项挑战。目前，当仅有切片级标签可用时，WSI 分类通常被视为多示例学习（MIL）问题。MIL 方法包含块嵌入模块和包级分类模块，但以端到端方式训练它们成本高得令人望而却步。因此，现有方法通常分别训练它们，或直接跳过嵌入器的训练。此类方案阻碍了块嵌入器获取切片级语义标签，导致整个 MIL 流程内部的不一致。为克服此问题，我们提出一种称为迭代耦合 MIL（ICMIL）的新框架，其将损失反向传播过程从包级分类器桥接到块嵌入器。在 ICMIL 中，我们利用包级分类器中的类别信息来指导块特征提取器的块级微调。精炼后的嵌入器随后生成更好的实例表示，以实现更准确的包级分类器。通过以低成本耦合块嵌入器和包分类器，我们提出的框架实现了两个模块之间的信息交换，有益于整个 MIL 分类模型。我们在两个数据集上使用三种不同主干网络测试了我们的框架，实验结果表明相对于当前最优 MIL 方法有一致的性能提升。代码可在：https://github.com/Dootmaan/ICMIL 获取。
引用
@article{arxiv.2303.15749,
title = {Iteratively Coupled Multiple Instance Learning from Instance to Bag Classifier for Whole Slide Image Classification},
author = {Hongyi Wang and Luyang Luo and Fang Wang and Ruofeng Tong and Yen-Wei Chen and Hongjie Hu and Lanfen Lin and Hao Chen},
journal= {arXiv preprint arXiv:2303.15749},
year = {2023}
}