ReMix:一种用于基于多示例学习的全切片图像分类的通用高效框架
计算机视觉与模式识别
2022-07-06 v1
摘要
全切片图像(WSI)分类通常依赖深度弱监督多示例学习(MIL)方法处理十亿像素分辨率图像和切片级标签。然而深度学习的良好性能来自利用海量数据集和多样样本,迫切需求高效训练流程以扩展到大型数据集以及数据增强技术以丰富样本。但当前基于MIL的WSI分类流程内存开销大且计算低效,因为它们通常将数万块图像块组装为包进行计算。另一方面,尽管数据增强在其他任务中流行,其在WSI MIL框架中尚未被探索。为此,我们提出ReMix,一种用于基于MIL的WSI分类的通用高效框架。它包含两步:归约与混合。首先,它通过用实例原型(即图像块簇质心)替代实例来减少WSI包中实例数量。然后,我们提出一种"混合包"增强,包含四种在线、随机且灵活的潜空间增强。它在潜空间中带来多样且可靠的保持类身份的语义变化,同时强制语义扰动不变性。我们在两个公开数据集上用两种最先进MIL方法评估ReMix。实验中,精度、准确率和召回率均取得一致提升,且训练时间与内存消耗降低数个数量级,证明了ReMix的有效性与高效性。代码已公开。
引用
@article{arxiv.2207.01805,
title = {ReMix: A General and Efficient Framework for Multiple Instance Learning based Whole Slide Image Classification},
author = {Jiawei Yang and Hanbo Chen and Yu Zhao and Fan Yang and Yao Zhang and Lei He and Jianhua Yao},
journal= {arXiv preprint arXiv:2207.01805},
year = {2022}
}
备注
Published in MICCAI 2022. Code: https://github.com/Jiawei-Yang/ReMix or https://github.com/TencentAILabHealthcare/ReMix