基于随机采样的多实例学习用于全切片图像分类
计算机视觉与模式识别
2024-03-11 v1
摘要
在计算病理学中，多实例学习 (MIL) 方法训练过程中的补丁随机采样具有计算效率高的特点，并可作为一种正则化策略。尽管其优势前景广阔，但关于不同样本量下的性能趋势及其对模型可解释性影响的问题仍有待解答。针对这些问题，我们在 CAMELYON16 数据集上使用 30% 的补丁实现了 1.7% 的最佳性能提升，在 TUPAC16 数据集上仅用 8 个样本即实现了 3.7% 的提升。我们还发现可解释性效应强烈依赖于数据集：在 CAMELYON16 上受到影响，而在 TUPAC16 上则未受影响。这进一步证实了性能及可解释性与采样之间的关系具有高度的任务特异性。与预提取特征相比，使用 1024 个样本进行的端到端训练在两个数据集上均显示出改进，进一步突显了这种高效方法的潜力。
引用
@article{arxiv.2403.05351,
title = {Multiple Instance Learning with random sampling for Whole Slide Image Classification},
author = {H. Keshvarikhojasteh and J. P. W. Pluim and M. Veta},
journal= {arXiv preprint arXiv:2403.05351},
year = {2024}
}
备注
SPIE Medical Imaging 2024