面向十亿像素病理图像分析的多实例学习框架与掩码难例挖掘
计算机视觉与模式识别
2025-09-16 v1
摘要
将病理图像数字化为十亿像素全切片图像（WSI）为计算病理学（CPath）开辟了新途径。由于阳性组织仅占十亿像素WSI的一小部分，现有的多实例学习（MIL）方法通常侧重于通过注意力机制识别显著实例。然而，这导致了对易于分类实例的偏见，而忽略了具有挑战性的实例。近期研究表明，难例对于准确建模判别性边界至关重要。将这一思想应用于实例层面，我们详细阐述了一种带有掩码难例挖掘（MHIM-MIL）的新型MIL框架，它利用具有一致性约束的孪生结构来探索难例。利用类别感知的实例概率，MHIM-MIL采用动量教师来掩码显著实例并隐式挖掘难例以训练学生模型。为了获得多样化且非冗余的难例，我们采用大规模随机掩码，同时利用全局回收网络来降低丢失关键特征的风险。此外，学生使用指数移动平均来更新教师，从而识别后续训练迭代中的新难例并稳定优化。在癌症诊断、亚型分类、生存分析任务以及12个基准测试上的实验结果表明，MHIM-MIL在性能和效率方面均优于最新方法。代码可在以下地址获取：https://github.com/DearCaat/MHIM-MIL。
引用
@article{arxiv.2509.11526,
title = {Multiple Instance Learning Framework with Masked Hard Instance Mining for Gigapixel Histopathology Image Analysis},
author = {Wenhao Tang and Sheng Huang and Heng Fang and Fengtao Zhou and Bo Liu and Qingshan Liu},
journal= {arXiv preprint arXiv:2509.11526},
year = {2025}
}
备注
27 pages, 8 figures