基于变分信息瓶颈的任务特定微调用于弱监督病理全切片图像分类
计算机视觉与模式识别
2023-03-16 v1
摘要
尽管多示例学习（MIL）在数字病理全切片图像（WSI）分类中已展现出有前景的结果，但由于千兆像素WSI的高计算成本以及模型训练样本量有限等挑战，该范式仍面临性能与泛化问题。为应对计算问题，多数MIL方法先利用ImageNet上预训练的冻结模型获取表示。此过程可能因较大的域差距丢失关键信息，并因缺乏图像级训练时数据增强而阻碍模型泛化。尽管自监督学习（SSL）提出了可行的表示学习方案，在部分标签监督学习下，从SSL的任务无关特征到任务特定特征的转化中，下游任务的提升仍有待进一步探索。为缓解计算成本与性能的两难困境，我们提出了一种受信息瓶颈理论启发的高效WSI微调框架。该理论使框架能够找到WSI的极小充分统计量，从而支持我们仅依赖WSI级弱标签将骨干网络微调为任务特定表示。我们进一步分析了WSI-MIL问题，从理论上推导出我们的微调方法。我们的框架在五个病理WSI数据集上的多种WSI头部进行了评估。实验结果表明，与以往工作相比，我们微调得到的表示在准确率和泛化性上均有显著提升。源代码将发布于 https://github.com/invoker-LL/WSI-finetuning。
引用
@article{arxiv.2303.08446,
title = {Task-specific Fine-tuning via Variational Information Bottleneck for Weakly-supervised Pathology Whole Slide Image Classification},
author = {Honglin Li and Chenglu Zhu and Yunlong Zhang and Yuxuan Sun and Zhongyi Shui and Wenwei Kuang and Sunyi Zheng and Lin Yang},
journal= {arXiv preprint arXiv:2303.08446},
year = {2023}
}
备注
Accepted to CVPR 2023