面向全切片图像分析的基于上下文感知聚类的多实例学习方法

多实例学习(MIL)在组织病理学全切片图像(WSI)分析中用于癌症诊断和预后显示出巨大的潜力。然而，WSI 固有的空间异质性 presents critical 挑战，因为形态上相似的组织类型常常分散在遥远的解剖区域。常规的 MIL 方法难以建模这些分散的组织分布并有效捕获跨区域的空间相互作用。为解决这些限制，我们提出了一种 novel 多实例学习框架，称为具有上下文感知聚类的 Multiple instance learning with Context-Aware Clustering(MiCo)，旨在增强跨区域组织内的相关性并强化组织间的语义关联。MiCo 通过聚类实例来提炼判别性形态模式，聚类质心作为语义锚点。为增强跨区域组织内的相关性，MiCo 采用 Cluster Route 模块，通过特征相似性动态链接同一组织类型的实例跨越遥远区域。这些语义锚点充当上下文中枢，将语义关系传递以细化实例级别的表示。为消除语义碎片化并加强组织间的语义关联，MiCo 集成了 Cluster Reducer 模块，该模块整合冗余锚点同时增强不同语义组之间的信息交换。在九个大型公开癌症数据集上进行的 extensive 实验表明，MiCo 的有效性，展示了其超越最新方法的优势。代码可在 https://github.com/junjianli106/MiCo 查阅。