面向异质图像的多示例学习：用于组织病理学的 CNN 训练
计算机视觉与模式识别
2018-06-14 v1
摘要
基于卷积神经网络的多示例（MI）学习能够在存在弱图像级标签的情况下实现端到端训练。我们提出一种新方法，利用分位数函数将图像较小区域的预测聚合成图像级分类。分位数函数更完整地描述了每幅图像内部的异质性，从而改善了图像级分类。我们还将图像增强适配到 MI 框架中，在训练的每一轮中随机选择裁剪区域进行 MI 聚合。这提供了一种研究 MI 学习重要性的机制。我们在乳腺肿瘤组织学的五项不同分类任务上验证了该方法，并提供了一种可视化方法用于解释局部图像分类，这可能有助于未来对肿瘤异质性的深入理解。
引用
@article{arxiv.1806.05083,
title = {Multiple Instance Learning for Heterogeneous Images: Training a CNN for Histopathology},
author = {Heather D. Couture and J. S. Marron and Charles M. Perou and Melissa A. Troester and Marc Niethammer},
journal= {arXiv preprint arXiv:1806.05083},
year = {2018}
}