Oct, 2022

嵌入空间增强全扫描图像弱监督学习

PDF
TL;DR本文介绍了一种基于数据增强对多实例学习方法进行改进的方法，即使用数据增强生成对抗网络在嵌入空间中合成数据增强，从而显著降低计算成本，实验结果表明该方法优于未经过数据增强的多实例学习方法，并且与传统基于图块的数据增强方法相当，但速度明显更快。
multiple instance learningwhole-slide imagesdata augmentationgenerative adversarial networkcomputational cost
发现论文，激发创造
  • 用于全幻灯片图像分类的紧凑、无偏负实例嵌入

    整张切片图像分类中，使用多实例学习和半监督方法来改善基于切片级注释的分类算法，通过在正常切片上引入自由标注信号来减少切片间的变异性并捕捉常见变异因素，该方法显著提高了预测性能并优于其他半监督算法。

    Feb, 2024

  • 基于伪混合增强的多实例学习全切片图像分类

    本文提出了一种名为 Pseudo-bag Mixup（PseMix）的数据增强方案，该方案通过伪包将 Mixup 策略推广到 Whole Slide Image 上，以改善多实例学习（MIL）模型的训练，评估结果表明，该方案能够提高多实例学习模型在 WSI 分类中的性能，并促进其对裂片遮挡和嘈杂标签的适应性。

    Jun, 2023

  • 带有子采样的槽混合：用于 WSI 分类的简单正则化

    我们的研究通过在 WSI 中采样一部分图像碎片并引入一种高效的模型（Slot-MIL），通过注意力机制将图像碎片组织成固定数量的插槽，旨在提高 WSI 分类器的泛化性和校准性。我们的方法结合子采样、mixup 和注意力聚合模型，实现了在各种基准数据集上的最先进性能。

    Nov, 2023

  • 基于动态多元嵌入的肿瘤分类双查询多示例学习

    提出了一种新颖的基于嵌入的双查询多示例学习（DQ-MIL）流水线，使用动态元嵌入方法并将 MIL-attention 与相关自我关注相结合，该方法在三个组织学数据集中实现了较高的性能。

    Jul, 2023

  • 可训练原型增强的多示例学习用于全切片图像分类

    该研究论文提出了一种基于原型学习和多实例学习的 Trainable Prototype enhanced deep MIL (TPMIL) 框架，用于弱监督下的 WSI 分类，其不需要依赖于选定的图像补丁，能够更准确地识别肿瘤亚型。

    May, 2023

  • SC-MIL: 稀疏编码多实例学习用于大规模图像分类

    提出了一种稀疏编码多示例学习（SC-MIL）方法，通过利用稀疏字典学习，同时改善了特征嵌入和模型化实例之间的相关性，实验结果表明，该方法可以大幅提升最先进的多示例学习方法的性能。

    Oct, 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

  • 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

  • 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