重新审视全切片图像分类中的多示例学习：一个优秀的实例分类器足矣
计算机视觉与模式识别
2024-05-14 v2
摘要
弱监督全切片图像分类通常被表述为多示例学习(MIL)问题，其中每张切片被视为一个包，从中裁剪出的图像块被视为实例。现有方法或通过伪标签训练实例分类器，或通过注意力机制将实例特征聚合为包特征再训练包分类器（其注意力分数可用于实例级分类）。然而，前者构建的伪实例标签通常含有大量噪声，后者构建的注意力分数不够准确，均影响其性能。本文提出一种基于对比学习和原型学习的实例级MIL框架，有效完成实例分类与包分类任务。为此，首次在MIL设定下提出实例级弱监督对比学习算法以有效学习实例特征表示；并提出一种基于原型学习的精确伪标签生成方法。进而提出弱监督对比学习、原型学习与实例分类器训练的联合训练策略。在四个数据集上的大量实验与可视化证明了本方法的强大性能。代码见 https://github.com/miccaiif/INS。
引用
@article{arxiv.2307.02249,
title = {Rethinking Multiple Instance Learning for Whole Slide Image Classification: A Good Instance Classifier is All You Need},
author = {Linhao Qu and Yingfan Ma and Xiaoyuan Luo and Manning Wang and Zhijian Song},
journal= {arXiv preprint arXiv:2307.02249},
year = {2024}
}
备注
Accepted by IEEE TCSVT