基于图的微生物图像上下文感知诊断的MicroMIL
计算机视觉与模式识别
2025-08-27 v4
摘要
癌症诊断已从WSI(全切片图像)与多实例学习(MIL)的集成中受益，使其能够进行高分辨率组织形态学分析。图基MIL(GNN-MIL)方法已涌现出作为捕获WSI中上下文信息的强大解决方案，从而提高诊断准确性。然而，WSI需要显著的计算和基础设施资源，限制了在资源受限环境中的可及性。常规光学显微镜提供了成本有效的替代方案，但将GNN-MIL应用于此类数据具有挑战性，因为其存在大量冗余图像且缺乏空间坐标，阻碍了上下文学习。为此，我们引入MicroMIL，首个专为来自常规光学显微镜获取的图像设计的弱监督MIL框架。MicroMIL利用代表性图像提取器(RIE)，其采用深度聚类嵌入(DCE)和硬Gumbel-Softmax动态减少冗余并选择代表性图像。这些图像作为图节点，边通过余弦相似度计算，无需空间坐标即可保留上下文信息。在真实世界的结肠癌数据集和BreakHis数据集上的大量实验表明，MicroMIL实现了最先进的性能，显著提升了诊断准确性和对冗余性的鲁棒性。代码可在https://github.com/kimjongwoo-cell/MicroMIL获取。
引用
@article{arxiv.2407.21604,
title = {MicroMIL: Graph-Based Multiple Instance Learning for Context-Aware Diagnosis with Microscopic Images},
author = {Jongwoo Kim and Bryan Wong and Huazhu Fu and Willmer Rafell Quiñones and Youngsin Ko and Mun Yong Yi},
journal= {arXiv preprint arXiv:2407.21604},
year = {2025}
}
备注
Accepted at MICCAI 2025