SimMIL：面向全切片病理图像的通用弱监督预训练框架
计算机视觉与模式识别
2025-05-13 v1
摘要
各种基于多实例学习（Multi-Instance Learning, MIL）的方法已开发并成功应用于全切片病理图像（whole slide pathological images, WSI）。现有MIL方法强调特征聚合器的重要性，但大体上忽略了实例级别的表征学习。它们假设预训练特征提取器的可用性可被直接利用或微调，而这在实际中并总是如此。本文提出通过弱监督方案来预训练MIL的特征提取器，即通过将弱包装标签传递到相应实例以进行监督学习。为有效学习MIL的特征，我们进一步深入研究了若干关键组件，包括强数据增强、非线性预测头以及鲁棒损失函数。我们在常见的大规模WSI数据集上进行实验，发现其在不同下游任务上的性能优于其他预训练方案（如ImageNet预训练和自监督学习）。我们进一步展示了所提出方案的兼容性和可扩展性，通过在微调病理特定模型和预训练合并多个数据集等方式实现。鉴于本文是首个专注于MIL表征学习的工作，我们的贡献具有重要意义。
引用
@article{arxiv.2505.06710,
title = {SimMIL: A Universal Weakly Supervised Pre-Training Framework for Multi-Instance Learning in Whole Slide Pathology Images},
author = {Yicheng Song and Tiancheng Lin and Die Peng and Su Yang and Yi Xu},
journal= {arXiv preprint arXiv:2505.06710},
year = {2025}
}