基于图的多实例学习与干预训练在Whole Slide影像分类器泛化中的作用
图像与视频处理
2025-02-03 v1 计算机视觉与模式识别
摘要
Whole Slide影像(WSI)涉及病理切片的高分辨率数字扫描，已成为癌症诊断的黄金标准，但其Gigapixel分辨率以及标注数据稀缺的挑战导致深度学习模型面临困难。多实例学习(MIL)作为一种广泛使用的弱监督方法，绕过了对patch级别标注的需求。然而，传统的MIL方法忽略了patch之间的位置关系，这对于癌症分级和诊断等任务至关重要。为此，基于图的方法通过节点连接方式融合了空间信息而获得了 prominence。尽管其潜力巨大，但MIL和图基模型都容易学习到诸如WSI中颜色变化等虚假关联，从而影响其鲁棒性。本文对比了多种图构建技术、MIL模型、图基MIL方法以及干预训练，提出一种新框架：基于图的多实例学习伴随干预训练(Graph-based Multiple Instance Learning with Interventional Training, GMIL-IT)，用于WSI分类。我们通过域迁移分析评估了这些方法对模型泛化性的影响，证明图基模型本身即可实现干预训练 initially 期待的泛化性。我们的代码已公开：https://github.com/ritamartinspereira/GMIL-IT
关键词
引用
@article{arxiv.2501.19048,
title = {The Role of Graph-based MIL and Interventional Training in the Generalization of WSI Classifiers},
author = {Rita Pereira and M. Rita Verdelho and Catarina Barata and Carlos Santiago},
journal= {arXiv preprint arXiv:2501.19048},
year = {2025}
}
备注
Presented at ML4H 2024 - Findings Track