TPMIL：用于全切片图像分类的可训练原型增强多示例学习
计算机视觉与模式识别
2023-05-02 v1
摘要
基于全切片图像（WSI）的数字病理学在癌症诊断与临床实践中起着关键作用。由于 WSI 的高分辨率以及补丁级标注的不可得，WSI 分类通常被表述为弱监督问题，其依赖于基于 WSI 补丁的多示例学习（MIL）。本文中，我们旨在通过融合原型学习与 MIL 来学习最优的补丁级特征空间。为此，我们开发了用于弱监督 WSI 分类的可训练原型增强深度 MIL（TPMIL）框架。与依赖若干选定补丁进行特征空间精炼的传统方法不同，我们通过将所有实例分配至其对应原型来实现软聚类。此外，我们的方法能够通过对应训练原型之间的距离揭示不同肿瘤亚型间的关联。更重要的是，TPMIL 还能基于实例与训练原型的距离提供更准确的 Interpretability（可解释性），作为传统基于注意力分数的可解释性的替代。我们在两个 WSI 数据集上测试了我们的方法，其达到了新的 SOTA。GitHub 仓库：https://github.com/LitaoYang-Jet/TPMIL
引用
@article{arxiv.2305.00696,
title = {TPMIL: Trainable Prototype Enhanced Multiple Instance Learning for Whole Slide Image Classification},
author = {Litao Yang and Deval Mehta and Sidong Liu and Dwarikanath Mahapatra and Antonio Di Ieva and Zongyuan Ge},
journal= {arXiv preprint arXiv:2305.00696},
year = {2023}
}
备注
Accepted for MIDL 2023