基于辅助任务加权的多示例学习用于多发性骨髓瘤分类
计算机视觉与模式识别
2021-07-19 v1
摘要
全身磁共振成像（WB-MRI）是诊断多发性骨髓瘤（MM）的推荐方式。WB-MRI 用于检测整个骨骼系统中的病灶部位，但由于图像数量巨大，其报告需要大量专业知识且耗时。为辅助放射读片，我们提出了一种基于辅助任务的多示例学习方法（ATMIL）用于 MM 分类，并具备定位病灶部位的能力。该方法的吸引力在于其仅需患者级标注，并利用注意力机制识别活动性病变的局部区域。我们借鉴多任务学习的思想，定义了一项带自适应重加权的辅助任务，以在数据稀缺的情况下支持和提高学习效率。我们在合成与真实多中心临床数据上验证了我们的方法。我们表明，MIL 注意力模块提供了一种定位骨区域的机制，而辅助任务的自适应重加权显著提升了性能。
引用
@article{arxiv.2107.07805,
title = {Multiple Instance Learning with Auxiliary Task Weighting for Multiple Myeloma Classification},
author = {Talha Qaiser and Stefan Winzeck and Theodore Barfoot and Tara Barwick and Simon J. Doran and Martin F. Kaiser and Linda Wedlake and Nina Tunariu and Dow-Mu Koh and Christina Messiou and Andrea Rockall and Ben Glocker},
journal= {arXiv preprint arXiv:2107.07805},
year = {2021}
}
备注
Accepted at MICCAI 2021