用于缓解乳腺癌全切片图像分类中灾难性遗忘的病理先验引导多示例学习
计算机视觉与模式识别
2025-03-26 v2
摘要
在组织病理学中，全切片图像（WSI）的智能诊断对于诊断的自动化和客观化、减轻病理学家的工作负荷至关重要。然而，在来自不同来源的数据集上进行增量训练时，诊断模型经常面临遗忘先前学习数据的挑战。为了解决这个问题，我们提出了一个新框架 PaGMIL，以缓解乳腺癌 WSI 分类中的灾难性遗忘。我们的框架在常见的 MIL 模型架构中引入了两个关键组件。首先，它利用微观病理先验为 MIL 选择更准确和更多样的代表性图块。其次，它为每个任务训练单独的分类头，并使用宏观病理先验知识，将缩略图视为提示引导（PG）以选择合适的分类头。我们在几个公开的乳腺癌数据集上评估了 PaGMIL 的持续学习性能。PaGMIL 在当前任务性能和先前任务保留之间取得了更好的平衡，优于其他持续学习方法。我们的代码将在被接受后开源。
引用
@article{arxiv.2503.06056,
title = {Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification},
author = {Weixi Zheng and Aoling Huang and Jingping Yuan and Haoyu Zhao and Zhou Zhao and Yongchao Xu and Thierry Géraud},
journal= {arXiv preprint arXiv:2503.06056},
year = {2025}
}
备注
ICASSP2025(Oral)