Sep, 2020

应用多示例学习和基于梯度的解释改进全切片成像辅助诊断工具的可解释性

PDF
TL;DR在医学领域，深度学习方法已得到广泛应用。而深度学习方法面临的下一个重要挑战是解释性，即如何解释模型的决策。本文针对整个切片图像分类的情境，提出了一种基于梯度法、特征可视化和多实例学习等方法的解释性方法，旨在解释如何基于瓦片级别的评分做出决策、如何决定这些瓦片得分以及用于任务的哪些功能是相关的。通过在 Camelyon-16 整个切片图像数据集上进行训练，突出区分性特征的学习，并通过病理学家的验证，我们提出了一种基于提取特征的新型计算解释性幻灯片级别热图的方法。此方法的实验结果显示，该方法可以提高 AUC 的瓦片级分类性能达 29% 以上
发现论文，激发创造
  • SI-MIL: 驯服千兆像素组织病理学中深度无监督学习的自解释性

    为了提高对 Whole Slide Image（WSI）分析中多实例学习（MIL）方法的解释性和推理能力，我们提出了一种自解释的 MIL 方法（SI-MIL），它通过深度 MIL 框架引导一个基于手工制作的病理特征的可解释分支，从而实现线性预测，并在三种癌症类型的 WSI 级别预测任务上展示了与先进方法相媲美的结果。

    Dec, 2023

  • 如病理医师一般诊断：变形金刚启用的分层注意力引导多示例学习用于全切片图像分类

    提出了一个全局利用 WSI 的 Hierarchical Attention-Guided Multiple Instance Learning 框架，该框架动态地、全面地发现了 WSIs 的多个分辨率上的显著区域，同时使用 Integrated Attention Transformer（由多个 Integrated Attention Modules 组成）进一步提高了 transformer 的性能，实验表明，该方法在多个数据集上取得了最先进的表现。

    Jan, 2023

  • 无监督互相转换器学习用于多千兆像素全切片图像分类

    提出一种基于相互 Transformer 学习的全无监督 WSI 分类算法，并在公开数据集上进行了广泛实验，证明了该方法在 WSI 分类和癌症亚型分类方面的优越性能。

    May, 2023

  • 自监督对比学习的双流多示例学习网络用于全切片图像分类

    本论文提出了一种基于 MIL 的方法，用于全幻灯片图像（WSI）分类和肿瘤检测，无需局部注释，并提出了自我监督对比学习及金字塔融合机制，从而提高分类和定位的准确性。

    Nov, 2020

  • 通用整张切片图像分类与细粒度的视觉语义交互

    提出了一种新颖的 “细粒度的视觉 - 语义相互作用”（FiVE）框架，用于整个切片图像（WSI）的分类，通过利用局部视觉模式和细粒度病理学语义之间的相互作用，提高模型的普适性，并通过引入任务特定的细粒度语义（TFS）模块，增强表示学习和泛化能力，进一步采样训练中的视觉实例子集，表现出强大的泛化能力，在 TCGA 肺癌数据集上的少样本实验中，准确度至少比同类方法提高 9.19%。

    Feb, 2024

  • 基于弱监督学习的病理切片整体分类

    该研究提出了一种基于病理先验的多实例学习框架，通过数据增强方法和空间相关性分析，能够有效地用于癌症检测和亚型区分的医学图像分类任务。

    Jul, 2023

  • 数字病理中的可解释且位置感知学习

    本研究提出了一种基于整张切片图像的图像学习算法，利用基于位置的嵌入和图形注意机制，采用样条卷积神经网络进行结点位置嵌入，用于肾癌和前列腺癌的分级诊断，并使用渐变解释方法生成突出显着的区域地图，从而使该方法可解释性更好地识别 WSI 中的癌症区域。

    Jun, 2023

  • CAMIL: 基于上下文的多示例学习用于大规模切片图像分类

    本研究开发了一种新的深度学习池化操作符 —— CHARM，以提高癌症诊断的准确性和可解释性，实验结果证明其在非小细胞肺癌和淋巴结转移的亚型识别方面优于其他弱监督分类算法。

    May, 2023

  • 基于 Transformer 的多层多实例学习用于全切片图像分类

    提出了一种多层多实例学习与 Transformer 相结合的方法，能有效处理大量实例的 MIL 任务，并在 WSI 图像分类任务上展示出优秀的性能。

    Jun, 2023

  • 全切片影像上数据有效和弱监督计算病理学

    CLAM 是一种易于使用、高吞吐量和可解释的基于深度学习的弱监督学习方法，它可以在只需要幻灯片级别标签的情况下处理大规模组织切片图像，并且可以用于多种不同的计算病理学任务。

    Apr, 2020