重新思考全切片图像分类中的多示例学习：包级分类器即优秀的实例级教师
计算机视觉与模式识别
2023-12-05 v1
摘要
多示例学习（Multiple Instance Learning, MIL）在全切片图像（Whole Slide Image, WSI）分类中已展现出良好前景。然而，由于这些吉像素级图像的处理计算开销巨大，一项重大挑战依然存在。现有方法通常采用两阶段方案，包括一个不可学习的特征嵌入阶段和一个分类器训练阶段。尽管通过使用在其他域上预训练的固定特征嵌入器可大幅降低内存消耗，但该方案也会导致两个阶段之间的不一致，从而造成次优的分类精度。为解决这一问题，我们提出包级分类器可以成为优秀的实例级教师。基于这一思想，我们设计了迭代耦合多示例学习（Iteratively Coupled Multiple Instance Learning, ICMIL），以低成本耦合嵌入器与包分类器。ICMIL 首先固定补丁嵌入器以训练包分类器，随后固定包分类器以微调补丁嵌入器。经过优化的嵌入器可反过来生成更好的表示，进而在下一轮迭代中获得更精确的分类器。为实现更灵活、更有效的嵌入器微调，我们还引入了一种教师—学生框架，将包分类器中的类别知识高效蒸馏，以辅助实例级嵌入器的微调。我们在四个不同的数据集上进行了充分的实验以验证 ICMIL 的有效性。实验结果一致表明，我们的方法显著提升了现有 MIL 主干网络的性能，取得了当前最优的结果。代码地址：https://github.com/Dootmaan/ICMIL/tree/confidence_based
引用
@article{arxiv.2312.01099,
title = {Rethinking Multiple Instance Learning for Whole Slide Image Classification: A Bag-Level Classifier is a Good Instance-Level Teacher},
author = {Hongyi Wang and Luyang Luo and Fang Wang and Ruofeng Tong and Yen-Wei Chen and Hongjie Hu and Lanfen Lin and Hao Chen},
journal= {arXiv preprint arXiv:2312.01099},
year = {2023}
}