MergeUp-augmented 半弱监督 WSIs 分类学习
计算机视觉与模式识别
2024-08-26 v1
摘要
计算病理学和人工智能的最新进展显著提升了 whole slide image (WSI) 分类性能。然而，WSI 的百万像素分辨率以及手工标注稀缺性带来了重大挑战。多实例学习 (MIL) 是 WSIs 分类的有前景的弱监督学习方法。近期研究表明，采用伪袋增强可鼓励模型学习多种数据，从而提升模型性能。而直接继承父代标签会因误标引入更多噪声。为此，我们将 WSIs 分类任务从弱监督学习转化为半弱监督学习，称之为 SWS-MIL，其中采用自适应伪袋增强 (AdaPse) 基于阈值策略对有标签和无标签数据进行赋值。借助“学生-教师”模式，我们引入特征增强技术 MergeUp，将低优先级袋子与之合并，以增强类别间信息，提升训练数据多样性。在 CAMELYON-16、BRACS 和 TCGA-LUNG 数据集上的实验结果表明，我们的方法优于现有最先进方法，证明其在 WSIs 分类中的有效性。
引用
@article{arxiv.2408.12825,
title = {MergeUp-augmented Semi-Weakly Supervised Learning for WSI Classification},
author = {Mingxi Ouyang and Yuqiu Fu and Renao Yan and ShanShan Shi and Xitong Ling and Lianghui Zhu and Yonghong He and Tian Guan},
journal= {arXiv preprint arXiv:2408.12825},
year = {2024}
}