PSA-MIL：用于全切片图像分类的概率空间注意力多示例学习
计算机视觉与模式识别
2025-11-25 v2
摘要
全切片图像是广泛应用于医疗诊断的高分辨率数字扫描。WSI 分类通常采用多示例学习（MIL）方法，将切片划分为被视为相互关联实例的图块。虽然基于注意力的 MIL 方法旨在识别最具信息量的图块，但它们往往未能充分利用图块之间的空间关系，可能会忽略对准确诊断至关重要的复杂组织结构。为了解决这一局限性，我们提出了概率空间注意力 MIL（PSA-MIL），这是一种新颖的基于注意力的 MIL 框架，通过将自注意力作为后验分布的概率解释，利用可学习的距离衰减先验将空间上下文整合到注意力机制中。这种表述允许在训练期间动态推断空间关系，消除了以往方法常施加的预定义假设。此外，我们提出了一种针对后验的空间剪枝策略，有效降低了自注意力的二次复杂度。为了进一步增强空间建模，我们引入了多样性损失以鼓励注意力头之间的变化，确保每个头捕获不同的空间表示。综合而言，PSA-MIL 实现了更数据驱动和自适应的空间上下文整合，超越了预定义约束。我们在上下文和非上下文基线上均取得了 SOTA 性能，同时显著降低了计算成本。
引用
@article{arxiv.2503.16284,
title = {PSA-MIL: A Probabilistic Spatial Attention-Based Multiple Instance Learning for Whole Slide Image Classification},
author = {Sharon Peled and Yosef E. Maruvka and Moti Freiman},
journal= {arXiv preprint arXiv:2503.16284},
year = {2025}
}
备注
Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 2026