TransMIL：基于 Transformer 的关联多示例学习用于全切片图像分类
计算机视觉与模式识别
2021-11-02 v2
摘要
多示例学习（MIL）是解决基于全切片图像（WSI）的病理诊断中弱监督分类的有力工具。然而，当前的 MIL 方法通常基于独立同分布假设，因而忽略了不同示例之间的相关性。为解决该问题，我们提出了一种称为关联 MIL 的新框架，并给出了收敛性证明。基于此框架，我们设计了基于 Transformer 的 MIL（TransMIL），其同时挖掘形态学与空间信息。所提出的 TransMIL 能有效处理不平衡/平衡以及二分类/多分类问题，并具有优良的可视化与可解释性。我们针对三种不同的计算病理学问题进行了多种实验，与最先进的方法相比取得了更优的性能和更快的收敛。在 CAMELYON16 数据集上二分类肿瘤检测的测试 AUC 可达 93.09%。在 TCGA-NSCLC 数据集和 TCGA-RCC 数据集上癌症亚型分类的 AUC 分别可达 96.03% 和 98.82%。实现代码见：https://github.com/szc19990412/TransMIL。
引用
@article{arxiv.2106.00908,
title = {TransMIL: Transformer based Correlated Multiple Instance Learning for Whole Slide Image Classification},
author = {Zhuchen Shao and Hao Bian and Yang Chen and Yifeng Wang and Jian Zhang and Xiangyang Ji and Yongbing Zhang},
journal= {arXiv preprint arXiv:2106.00908},
year = {2021}
}