SparseConvMIL：用于全切片图像分类的稀疏卷积上下文感知多示例学习
计算机视觉与模式识别
2021-08-26 v2 机器学习
摘要
多示例学习（MIL）是全切片图像分类的首选方法。然而，大多数 MIL 方法未利用从全切片图像中提取的图块间的相互依赖关系，而这些关系可为分类提供有价值的线索。本文提出一种新颖的 MIL 方法，利用图块的空间关系对全切片图像进行分类。为此，由图块嵌入构建稀疏图，随后由稀疏输入 CNN 进行分类。在涉及 10000 张全切片图像的癌症亚型分类任务上，其性能优于流行的 MIL 方法，达到了 SOTA。我们的结果表明，所提方法可能 (i) 改善实例的表示学习，且 (ii) 利用实例嵌入的上下文以提升分类性能。本工作的代码已在 {github 因审稿隐去} 开源。
引用
@article{arxiv.2105.02726,
title = {SparseConvMIL: Sparse Convolutional Context-Aware Multiple Instance Learning for Whole Slide Image Classification},
author = {Marvin Lerousseau and Maria Vakalopoulou and Eric Deutsch and Nikos Paragios},
journal= {arXiv preprint arXiv:2105.02726},
year = {2021}
}