带子采样的 Slot-Mixup：一种用于 WSI 分类的简单正则化方法
计算机视觉与模式识别
2023-11-30 v1 人工智能
机器学习
摘要
全切片图像(WSI)分类要求病理学家反复放大与缩小，因为仅切片的很小部分可能与癌症检测相关。由于缺乏块级标签，多示例学习(MIL)是训练 WSI 分类器的常见做法。WSI 的 MIL 挑战之一在于仅来自切片级标签的弱监督，常导致严重过拟合。对此，研究者考虑采用块级增强或 mixup 增强，但其适用性尚未得到验证。我们的方法通过在不显著改变原始切片底层语义的前提下对 WSI 中的块子集进行采样来扩充训练数据集。此外，我们引入了一种高效模型(Slot-MIL)，利用注意力机制将块组织为固定数量的槽（块的抽象表示）。我们凭经验证明，子采样增强通过限制注意力的过度集中有助于形成信息更丰富的槽，并提升可解释性。最后，我们说明将我们基于注意力的聚合模型与子采样及 mixup 结合——这在现有 MIL 方法中兼容性有限——可同时提升泛化性与校准性。我们提出的方法在包含类不平衡与分布偏移的多个基准数据集上取得了 SOTA 性能。
引用
@article{arxiv.2311.17466,
title = {Slot-Mixup with Subsampling: A Simple Regularization for WSI Classification},
author = {Seongho Keum and Sanghyun Kim and Soojeong Lee and Juho Lee},
journal= {arXiv preprint arXiv:2311.17466},
year = {2023}
}