基于掩码难例挖掘的多示例学习框架用于全切片图像分类
计算机视觉与模式识别
2023-12-22 v3 人工智能
摘要
全切片图像（WSI）分类通常被表述为多示例学习（MIL）问题。由于阳性组织仅占十亿像素 WSI 的一小部分，现有 MIL 方法直观地通过注意力机制聚焦于识别显著示例。然而，这导致偏向易分类示例而忽视难分类示例。一些文献已揭示难样本有益于精确建模判别边界。通过在示例层面应用该思想，我们精心设计了带有掩码难例挖掘（MHIM-MIL）的新型 MIL 框架，其使用具有一致性约束的孪生结构（教师-学生）来探索潜在难例。基于注意力分数的若干示例掩码策略，MHIM-MIL 采用动量教师隐式挖掘难例以训练学生模型，该模型可为任意基于注意力的 MIL 模型。这一反直觉策略本质上使学生学习到更好的判别边界。此外，学生通过指数移动平均（EMA）更新教师，后者转而识别新的难例用于后续训练迭代并稳定优化。在 CAMELYON-16 与 TCGA 肺癌数据集上的实验结果表明，MHIM-MIL 在性能与训练代价方面均优于其他最新方法。代码可见于：https://github.com/DearCaat/MHIM-MIL。
引用
@article{arxiv.2307.15254,
title = {Multiple Instance Learning Framework with Masked Hard Instance Mining for Whole Slide Image Classification},
author = {Wenhao Tang and Sheng Huang and Xiaoxian Zhang and Fengtao Zhou and Yi Zhang and Bo Liu},
journal= {arXiv preprint arXiv:2307.15254},
year = {2023}
}
备注
Published on ICCV2023