病理图像诊断的跨尺度多实例学习
本文提出了一种新的跨度注意机制来聚合具有不同分辨率的图像中的特征,并生成不同分辨率的可视化结果来定位并解释可解释的损伤模式,该方法在 Crohn 病这种炎症性肠病的诊断中取得了优异的成果。
Aug, 2022
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
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
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
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
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
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
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
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
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