SC-MIL：用于全切片图像分类的稀疏编码多示例学习
计算机视觉与模式识别
2024-08-02 v2 人工智能
机器学习
摘要
多示例学习（MIL）已广泛用于弱监督全切片图像（WSI）分类。典型的 MIL 方法包括一个特征嵌入部分（通过预训练特征提取器将示例嵌入为特征）和一个将示例嵌入组合为预测的 MIL 聚合器。大多数工作通常集中于改进这些部分，包括通过自监督预训练细化特征嵌入，以及分别建模示例间的相关性。本文中，我们提出一种稀疏编码 MIL（SC-MIL）方法，通过利用稀疏字典学习同时解决这两个方面。稀疏字典学习通过将示例表示为过完备字典中原子的稀疏线性组合来捕获示例间的相似性。此外，施加稀疏性通过抑制不相关示例同时保留最相关示例来改进示例特征嵌入。为使常规稀疏编码算法与深度学习兼容，我们将其展开为一个利用深度展开的稀疏编码模块。所提出的 SC 模块可以以即插即用的方式整合进任何现有 MIL 框架，且计算成本可接受。在多个数据集上的实验结果表明，所提出的 SC 模块能大幅提振最先进 MIL 方法的性能。代码可在 \href{https://github.com/sotiraslab/SCMIL.git}{https://github.com/sotiraslab/SCMIL.git} 获取。
引用
@article{arxiv.2311.00048,
title = {SC-MIL: Sparsely Coded Multiple Instance Learning for Whole Slide Image Classification},
author = {Peijie Qiu and Pan Xiao and Wenhui Zhu and Yalin Wang and Aristeidis Sotiras},
journal= {arXiv preprint arXiv:2311.00048},
year = {2024}
}