CVPRMar, 2023

整体病理图像的干预袋多实例学习

PDF
TL;DR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。
multi-instance learningpathological imagesinterventional bag multi-instance learningdeconfounded bag-level predictionbackdoor adjustment
发现论文，激发创造
  • 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

  • 重新考虑多实例学习在全幻灯片图像分类中的应用：以袋层分类器为佳的实例级导师

    通过引入背包级别的分类器，我们设计了迭代耦合的多实例学习（ICMIL）来解决高计算成本的问题，并通过教师 - 学生框架提高细分嵌入

    Dec, 2023

  • 具有消除混杂层次预测数据干扰的干预式多实例学习

    该研究提出了一种新颖的干预型多实例学习（IMIL）框架，并通过因果干预设计期望最大化（EM）算法来实现训练过程中的强大实例选择以及抑制袋子上下文先验引起的偏差。 实验表明，IMIL 方法可以显著减少误报，并优于现有 MIL 方法。

    Apr, 2022

  • 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

  • 动态策略驱动自适应多实例学习用于整张切片图像分类

    将动态实例采样和强化学习集成到一个统一的框架中，形成一种新的动态策略实例选择方案，以改进实例选择和特征聚合，用于更好和更可靠的决策制定。

    Mar, 2024

  • 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

  • 重新思考基于注意力的多实例学习在全切片病理图像分类中的应用：一个实例属性的观点

    提出了一个属性驱动 MIL 框架来解决注意力机制在区分实例上的限制，并通过空间属性约束和属性排序约束改进了模型的识别能力，进而在多个评估指标上优于现有的最先进框架。

    Mar, 2024

  • 对于全幅图像分类，重新考虑多实例学习：你只需要一个良好的实例分类器

    本文提出了一种基于对比学习和原型学习的实例级 MIL 框架，旨在有效完成实例分类和包分类任务，并提出了通过原型学习生成精确伪标签的方法。在四个数据集上的广泛实验和可视化证明了我们方法的强大性能。

    Jul, 2023

  • 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

  • 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