面向基于多示例学习的全切片图像分类的伪包混合数据增强
计算机视觉与模式识别
2024-01-11 v3
摘要
鉴于建模十亿像素图像的的特殊情形，多示例学习（MIL）已成为全切片图像（WSI）分类最重要的框架之一。在当前实践中，大多数 MIL 网络在训练中常面临两个不可避免的问题：i) WSI 数据不足；ii) 神经网络固有的样本记忆倾向。这些问题可能阻碍 MIL 模型充分且高效的训练，抑制分类模型在 WSI 上性能的持续提升。受 Mixup 基本思想启发，本文提出一种新的伪包混合（PseMix）数据增强方案以改善 MIL 模型的训练。该方案通过伪包将通用图像的 Mixup 策略推广到特殊的 WSI，从而应用于基于 MIL 的 WSI 分类。在伪包协同下，我们的 PseMix 实现了 Mixup 策略中关键的尺寸对齐与语义对齐。此外，它被设计为高效且解耦的方法，既不涉及耗时操作，也不依赖 MIL 模型预测。我们专门设计了对比实验与消融研究来评估 PseMix 的有效性与优势。实验结果表明，PseMix 常能辅助最先进的 MIL 网络刷新其在 WSI 上的分类性能。此外，它还能提升 MIL 模型在特殊测试场景下的泛化性能，并增强其对块遮挡与标签噪声的鲁棒性。我们的源代码见 https://github.com/liupei101/PseMix。
引用
@article{arxiv.2306.16180,
title = {Pseudo-Bag Mixup Augmentation for Multiple Instance Learning-Based Whole Slide Image Classification},
author = {Pei Liu and Luping Ji and Xinyu Zhang and Feng Ye},
journal= {arXiv preprint arXiv:2306.16180},
year = {2024}
}
备注
12 pages, 6 figures, 10 tables