用于深度多示例学习的平滑注意力：在CT颅内出血检测中的应用
图像与视频处理
2023-07-19 v1 机器学习
摘要
多示例学习（MIL）已广泛应用于医学影像诊断，其中包标签已知而包内实例标签未知。传统MIL假设每个包中的实例是来自给定分布的独立样本。然而，实例通常具有空间或序列顺序，且人们期望相邻实例具有相似的诊断重要性。为此，本研究提出一种平滑注意力深度MIL（SA-DMIL）模型。平滑性通过对编码包中每个实例所获注意力的潜函数引入一阶和二阶约束来实现。该方法应用于头部CT扫描上的颅内出血（ICH）检测。结果表明，这种新颖的SA-DMIL：（a）在扫描（包）和切片（实例）级别均优于非平滑注意力MIL；（b）学习了切片间的空间依赖关系；（c）在同一ICH测试集上优于当前最先进的MIL方法。
引用
@article{arxiv.2307.09457,
title = {Smooth Attention for Deep Multiple Instance Learning: Application to CT Intracranial Hemorrhage Detection},
author = {Yunan Wu and Francisco M. Castro-Macías and Pablo Morales-Álvarez and Rafael Molina and Aggelos K. Katsaggelos},
journal= {arXiv preprint arXiv:2307.09457},
year = {2023}
}