数字病理中的多示例学习：最先进技术、局限性与未来潜力的综述
计算机视觉与模式识别
2023-12-07 v2
摘要
数字全切片图像包含海量信息，为开发自动化图像分析工具提供了强大动力。尤其是深度神经网络在数字病理领域的各类任务中展现出高潜力。然而，一个局限在于典型深度学习算法除大量图像数据外还需（人工）标注以实现有效训练。多示例学习在不具备完全标注数据的场景下，为学习深度神经网络提供了一种有力工具。这些方法在该领域中尤为有效，因为完整全切片图像的标签通常可常规获取，而补丁、区域或像素的标签则不可得。这一潜力已催生大量出版物，其中大多数发表于过去三年。除数据的可获取性以及来自医学视角的高驱动力外，强大图形处理单元的可用性也是该领域的加速器。本文综述了广泛且有效使用的深度多示例学习方法概念、近期进展，并批判性地讨论剩余挑战与未来潜力。
引用
@article{arxiv.2206.04425,
title = {Multiple Instance Learning for Digital Pathology: A Review on the State-of-the-Art, Limitations & Future Potential},
author = {Michael Gadermayr and Maximilian Tschuchnig},
journal= {arXiv preprint arXiv:2206.04425},
year = {2023}
}