重新审视基于注意力的多示例学习在全切片病理图像分类中的应用：实例属性视角
计算机视觉与模式识别
2024-04-02 v1
摘要
多示例学习（MIL）是全切片病理图像（WSI）分析的鲁棒范式，用于处理带有切片级标签的千兆像素分辨率图像。作为开创性工作，基于注意力的 MIL（ABMIL）及其变体因能同时处理临床诊断和肿瘤定位而日益普及。然而，注意力机制在区分实例方面存在局限性，常导致组织误分类并可能损害 MIL 性能。本文提出了一种属性驱动的 MIL（AttriMIL）框架来解决这些问题。具体而言，我们剖析了 ABMIL 的计算过程，并提出了一种属性评分机制，该机制有效衡量每个实例对包预测的贡献，从而量化实例属性。基于属性量化，我们分别开发了空间属性约束和属性排序约束，以建模切片内和切片间的实例相关性。这些约束促使网络捕捉实例的空间相关性和语义相似性，提升了 AttriMIL 区分组织类型和识别困难实例的能力。此外，AttriMIL 采用了组织病理学自适应主干网络，以最大化预训练模型的特征提取能力来收集病理特征。在三个公开基准上的大量实验表明，我们的 AttriMIL 在多个评估指标上优于现有的 SOTA 框架。实现代码可在 https://github.com/MedCAI/AttriMIL 获取。
引用
@article{arxiv.2404.00351,
title = {Rethinking Attention-Based Multiple Instance Learning for Whole-Slide Pathological Image Classification: An Instance Attribute Viewpoint},
author = {Linghan Cai and Shenjin Huang and Ye Zhang and Jinpeng Lu and Yongbing Zhang},
journal= {arXiv preprint arXiv:2404.00351},
year = {2024}
}
备注
10 pages, 8 figures