基于概率平滑注意力的深层医学图像多实例学习
计算机视觉与模式识别
2025-07-22 v1
摘要
Multiple Instance Learning (MIL) 范式正受到医学图像分类中广泛关注，其中标记数据稀缺。MIL 方法将医学图像视为实例的集合（例如整块切片图像中的切片，或 CT 扫描中的切片），仅需标签即可完成训练。深度 MIL 方法通过注意力机制对实例级表示进行聚合，以计算包级别预测，从而取得了令人鼓舞的成果。这些方法通常通过各种机制捕获相邻实例之间的局部相互作用以及全局的长程依赖。然而，它们对注意力值采取确定性处理，可能忽略了单个实例贡献的不确定性。本文提出了一种新型概率框架，用于估计注意力值上的概率分布，并能同时考虑全局和局部相互作用。在包含 11 个最先进基准方法和三个医学数据集的全面评估中，我们展示了该方法在不同指标上实现了最佳预测性能。此外，概率化的注意力处理方式提供了可解释的疾病定位不确定性图。
引用
@article{arxiv.2507.14932,
title = {Probabilistic smooth attention for deep multiple instance learning in medical imaging},
author = {Francisco M. Castro-Macías and Pablo Morales-Álvarez and Yunan Wu and Rafael Molina and Aggelos K. Katsaggelos},
journal= {arXiv preprint arXiv:2507.14932},
year = {2025}
}