具有多样的互相关联结构的单阶段广义多实例多标签学习及其在医学图像分类中的应用

Sep, 2022

具有多样的互相关联结构的单阶段广义多实例多标签学习及其在医学图像分类中的应用

Single-Stage Broad Multi-Instance Multi-Label Learning (BMIML) with Diverse Inter-Correlations and its application to medical image classification

PDF

Qi Lai, Jianhang Zhou, Yanfen Gan, Chi-Man Vong, Deshuang Huang

TL;DR该研究提出了一种名为 BMIML 的新单阶段框架，它包含三个创新模块：基于 BLS 的自动加权标签增强学习、可缩放多实例概率回归（SMIPR）和交互式决策优化（IDO），可以在单个阶段中实现整个图像、实例和标签之间的多样互相关系学习，以提高分类准确性并快速训练，同时在准确性方面高度竞争，并且速度比大多数 MIML 方法快得多，甚至对于大型医学图像数据集（>90K 图像）也是如此。

Abstract

In many real-world applications, one object (e.g., image) can be represented or described by multiple instances (e.g., image patches) and simultaneously associated with multiple labels. Such applications can be formulated as multi-instance multi-label learning (MIML) problems and have

multi-instance multi-label learning inter-label correlations inter-instance correlations broad multi-instance multi-label learning auto-weighted label enhancement learning

发现论文，激发创造

多实例多标签学习

本文提出了 MIML（多实例多标签学习）框架，可以更方便、更自然地表示具有多重语义含义的复杂对象，并基于简单的退化策略提出了 MimlBoost 和 MimlSvm 算法。同时，本文还提出了用于解决 MIML 问题的 D-MimlSvm、InsDif 和 SubCod 算法，并在实验中证明了它们的优异表现。

Aug, 2008

基于图形的标签增强多示例多标签学习

本文提出了一种基于图标签增强的新的多实例多标签分类学习框架（GLEMIML）以提高分类性能和利用标签的重要性。GLEMIML 首先通过建立图识别实例之间的相关性，然后通过非线性映射将从特征空间挖掘到的隐含信息迁移到标签空间，从而恢复标签的重要性，并通过匹配和交互机制训练增强的数据，GLEMIML (AvgRank:1.44) 在多个基准数据集上表现出比 SOTA 方法 (AvgRank:2.92) 更好的结果。

Apr, 2023

高效多示例多标签学习

本文提出了一种名为 MIMLfast 的方法来解决大规模数据集上的多实例多标记学习问题，该方法通过构建在所有标签之间共享的低维子空间并训练标签特定的线性模型来优化近似排名损失，并探索复杂标签的子概念以实现良好性能，该方法时间成本大大降低。

Oct, 2013

整体病理图像的干预袋多实例学习

本文提出了一种名为 Interventional Bag Multi-Instance Learning（IBMIL）的新方案，该方案通过后门调整实现干预式训练，从而消除了包上下文先验的偏差，克服了现有 MIL 方法的一些局限性，提高了 WSIs 分类的性能表现。

Mar, 2023

MMIL：一种用于疾病相关细胞类型发现的新算法

单细胞数据集 MMIL 的混合建模方法能够精确识别白血病细胞并跨组织和治疗时间点推广，为细胞分类提供了一种新颖的方法，有望在未知标签和高维度情况下促进疾病的理解和管理。

Jun, 2024

ProMIL：面向医学成像的概率多示例学习

本研究提出了一种基于深度神经网络和 Bernstein 多项式估计的专用实例方法 ProMIL 来解决多实例学习中标签分配问题，并证明其在医学应用方面胜过标准基于实例模型。

Jun, 2023

引入多实例学习中的实例标签相关性。应用于组织病理图像癌症检测

本文通过引入与统计物理的 Ising 模型相关的新偶合项扩展了一种基于高斯过程的最先进弱监督多实例学习方法 (VGPMIL-PR)，提高了在组织病理学图像中检测前列腺癌的效果，并通过可视化和分析提供了洞察力，有望在其他研究领域中应用该模型。

Oct, 2023

BIM: 基于块的自监督学习与图像模型掩膜

我们引入了一种新的学习框架，即分块式遮蔽图像建模（BIM），用于解决遮蔽图像建模（MIM）的计算资源需求高的问题，并在保持卓越性能的同时大大降低内存消耗，同时实现多个深度不同的 DNN 骨干的并发训练，从而降低与单独训练每个 DNN 骨干相比的计算成本。这为资源受限的 MIM 训练提供了有前景的解决方案。

Nov, 2023

病理图像诊断的跨尺度多实例学习

研究了一种新的跨尺度多实例学习算法，并将其应用于病理学影像诊断中，通过整合多尺度信息和跨尺度关系来提高诊断准确率。在内部和公共数据集上均表现出优异的性能。

Apr, 2023

DTFD-MIL: 双层特征蒸馏多示例学习用于组织病理学全切片图像分类

提出在组织病理学 WSI 分类问题中，通过引入虚拟 pseudo-bags 的概念并构建双层 MIL 框架来扩大样本数，同时在基于注意力的 MIL 框架下推导实例概率，显著优于最新方法并可适用于更广泛的 MIL 应用。

Mar, 2022