ProMIL：面向医学影像的概率多示例学习
图像与视频处理
2024-03-13 v2 计算机视觉与模式识别
机器学习
摘要
多示例学习（MIL）是一种弱监督问题，其中一个标签被赋予整个示例包。一类重要的 MIL 模型是基于示例的，即先对示例进行分类，再聚合这些预测以获得包标签。最常见的 MIL 模型是：若包中至少一个示例为正标签，则将包视为正。然而，该推理在许多现实场景中并不成立，因为正包标签往往是由一定比例的正示例所导致的。为解决此问题，我们提出一种名为 ProMIL 的专用基于示例的方法，该方法基于深度神经网络与 Bernstein 多项式估计。ProMIL 的一个重要优势是能够自动检测用于决策的最优百分比水平。我们表明 ProMIL 在真实世界医学应用中优于标准的基于示例的 MIL。我们公开了代码。
引用
@article{arxiv.2306.10535,
title = {ProMIL: Probabilistic Multiple Instance Learning for Medical Imaging},
author = {Łukasz Struski and Dawid Rymarczyk and Arkadiusz Lewicki and Robert Sabiniewicz and Jacek Tabor and Bartosz Zieliński},
journal= {arXiv preprint arXiv:2306.10535},
year = {2024}
}
备注
Accepted Paper to European Conference on Artificial Intelligence (ECAI 2023)