任务导向嵌入计数：用于全切片图像分类的启发式聚类驱动特征微调
计算机视觉与模式识别
2024-06-04 v1
摘要
在全切片图像分类领域，多实例学习是一种有前景的方法，通常被解耦为特征提取和聚合。在这种范式下，我们的观察表明，判别性嵌入对于聚合到最终预测至关重要。在所有特征更新策略中，任务导向的策略可以针对特定任务捕获特征。然而，它们容易过拟合，并被分配了噪声标签的样本污染。为了解决这个问题，我们提出了一种启发式聚类驱动的特征微调方法，通过提供纯净的正样本和困难负样本来增强多实例学习的性能。我们的方法首先使用一个训练良好的多实例学习模型来评估图像块的置信度。然后，高置信度的图像块被标记为正样本，而剩余的图像块用于识别关键的负样本。经过两轮启发式聚类和选择后，获得纯净的正样本和困难负样本以促进特征微调。所提出的方法在 CAMELYON16 和 BRACS 数据集上进行了评估，分别达到了 97.13% 和 85.85% 的 AUC，始终优于所有比较方法。
引用
@article{arxiv.2406.00672,
title = {Task-oriented Embedding Counts: Heuristic Clustering-driven Feature Fine-tuning for Whole Slide Image Classification},
author = {Xuenian Wang and Shanshan Shi and Renao Yan and Qiehe Sun and Lianghui Zhu and Tian Guan and Yonghong He},
journal= {arXiv preprint arXiv:2406.00672},
year = {2024}
}