Jan, 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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 组织病理学全幻灯片图像的集成图形转换框架的表示和分类

    通过引入整合图转换器框架，本研究在数字病理学中用于弱监督组织病理学全幻灯片图像分类的多实例学习策略可以同时捕捉上下文感知的关系特征和全局图像表示，实验证明该方法在 WSI 数据集上具有优越性能，准确率提高 1.0%-2.6%，在 AUROC 上提高 0.7%-1.6%。

    Mar, 2024

  • RetMIL：组织病理学全切片图像分类的记忆多实例学习

    通过提出的基于保留机制的 RetMIL 方法，实现了对组织病理学全幻灯片图像的分析，同时在性能和计算开销方面取得了显著的提升。

    Mar, 2024

  • 基于分层区域的多实例学习中的 Transformer

    我们提出了一种基于 Transformer 的多例学习方法，用区域视觉 Transformer 自注意机制替代传统的学习注意机制，通过融合区域块信息来预测整张幻灯片，并展示了如何在不同距离级别上分层处理特征。为了提高预测准确性，尤其是对于具有小区域形态特征的数据集，我们介绍了一种在推断期间将图像处理集中于高注意区域的方法。我们的方法能够显著提高两个组织病理学数据集上的性能，并指出了进一步研究的有希望的方向。

    Aug, 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

  • Long-MIL: 面向组织病理学全切片图像分析的长上下文多实例学习的扩展

    本文提出了一种改良位置嵌入的长上下文 WSI 方法，通过引入线性偏差来处理形状变化的大 WSI，并将其从 1 维长序列适应到 2 维长上下文 WSI 中，用于模型对未见或欠拟合位置的外推；同时利用闪存注意力模块解决 Transformer 的计算复杂性问题，保持了全自注意力的性能。通过在 4 个数据集上进行 WSI 分类和生存预测任务的广泛实验证明了我们方法在形状变化的 WSIs 上的优越性。

    Nov, 2023

  • TransMIL: 基于 Transformer 的相关多示例学习技术用于全切片图像分类

    提出一种新的相关 MIL 框架 (correlated MIL) 以及设计一个基于 Transformer 的 MIL (TransMIL)，并探索形态和空间信息，对于三个不同的计算病理学问题，比现有方法具有更好的性能和更快的收敛速度，在二元肿瘤分类上的测试 AUC 可以达到 93.09％，在 TCGA-NSCLC 数据集和 TCGA-RCC 数据集上，癌症亚型分类的 AUC 分别可以达到 96.03％和 98.82％。

    Jun, 2021

  • 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

  • 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

  • MamMIL：基于状态空间模型的整片切片图像多实例学习

    通过将 Transformer 与多实例学习（MIL）框架结合使用整张切片图像（WSIs），我们提出了一种 MamMIL 框架，首次将选择性结构状态空间模型（即 Mamba）与 MIL 结合起来，实现了对实例依赖性的建模并保持了线性复杂性。在两个数据集上的实验证明，MamMIL 可以以比基于 Transformer 的最先进的 MIL 框架更小的内存占用来实现先进的分类性能。

    Mar, 2024