MambaMIL：通过序列重排序增强计算病理学中的长序列建模
计算机视觉与模式识别
2024-03-12 v1
摘要
多实例学习（MIL）已成为计算病理学中从全切片图像（WSIs）提取判别性特征表示的主流范式。尽管取得了显著进展，现有的 MIL 方法在促进实例间全面高效的交互方面仍存在局限，并面临计算耗时和过拟合等挑战。在本文中，我们将选择性扫描空间状态序列模型（Mamba）引入多实例学习（MIL），用于具有线性复杂度的长序列建模，称为 MambaMIL。通过继承原始 Mamba 的能力，MambaMIL 展现出全面理解和感知长实例序列的能力。此外，我们提出了感知实例顺序和分布的序列重排序 Mamba（SR-Mamba），以利用嵌入在长序列中的固有宝贵信息。以 SR-Mamba 为核心组件，MambaMIL 能够有效捕捉更具判别力的特征，并缓解与过拟合和高计算开销相关的挑战。在九个不同数据集上的两个公开挑战性任务中进行的广泛实验表明，我们提出的框架性能优于最先进的 MIL 方法。代码发布于 https://github.com/isyangshu/MambaMIL。
引用
@article{arxiv.2403.06800,
title = {MambaMIL: Enhancing Long Sequence Modeling with Sequence Reordering in Computational Pathology},
author = {Shu Yang and Yihui Wang and Hao Chen},
journal= {arXiv preprint arXiv:2403.06800},
year = {2024}
}
备注
Submitted to MICCAI-2024