MixUp-MIL：面向多示例学习的新型数据增强方法及甲状腺癌诊断研究
计算机视觉与模式识别
2023-10-02 v4 人工智能
摘要
在多示例学习（multiple instance learning）中，当缺乏像素级或块级标注时，其为实现基于全切片图像的诊断提供了一种有力途径。尽管全切片图像尺寸巨大，但单个切片的数量往往相当少，导致有标注样本数较少。为改进训练，我们提出并研究了基于特征向量线性插值（即 MixUp）思想的多示例学习数据增强策略。基于最先进的多示例学习架构和两个甲状腺癌数据集，我们考虑一系列常见数据增强策略进行了详尽研究。相较于原始 MixUp 方法的策略出现准确率下降，采用一种新颖的片内插值方法则带来了一致的准确率提升。
引用
@article{arxiv.2211.05862,
title = {MixUp-MIL: Novel Data Augmentation for Multiple Instance Learning and a Study on Thyroid Cancer Diagnosis},
author = {Michael Gadermayr and Lukas Koller and Maximilian Tschuchnig and Lea Maria Stangassinger and Christina Kreutzer and Sebastien Couillard-Despres and Gertie Janneke Oostingh and Anton Hittmair},
journal= {arXiv preprint arXiv:2211.05862},
year = {2023}
}
备注
MICCAI'23, https://gitlab.com/mgadermayr/mixupmil