Jun, 2023

基于 Transformer 的多层多实例学习用于全切片图像分类

PDF
TL;DR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。
whole slide imagemultiple instance learningtransformerdigital diagnosisimage classification
发现论文，激发创造
  • 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

  • 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

    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。

    Jan, 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

  • 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

  • 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

  • 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

  • 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

  • 基于屏蔽的困难实例挖掘的多实例学习框架用于全切片图像分类

    通过应用基于注意力机制的多示例学习方法，创新地利用硬样本在分类边界建模中的好处，提出一种新的多示例学习框架，使用掩码硬实例挖掘（MHIM-MIL）的思想，旨在使学生模型学习到更好的判别边界。实验证明，MHIM-MIL 在性能和训练成本方面优于其他最新方法。

    Jul, 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

  • 基于多头注意力的深度多示例学习

    MAD-MIL 是一个基于多头注意力机制的深度多实例学习模型，针对数字病理学中弱监督的整张切片图像分类而设计。在模型复杂度简化的同时，MAD-MIL 能够与先进模型如 CLAM 和 DS-MIL 取得竞争性结果，并在 MNIST-BAGS 和公共数据集（包括 TUPAC16、TCGA BRCA、TCGA LUNG 和 TCGA KIDNEY）上对 ABMIL 进行持续超越。该模型展示了切片表示中的信息多样性、可解释性和效率的提升。结合较少的可训练参数和较低的计算复杂度，这使得该模型成为自动化病理工作流程的有希望的解决方案。我们的代码可在此 https URL 找到。

    Apr, 2024