Dec, 2023

Shapley 值支持的渐进式伪样本增强用于全幻灯片图像分类

PDF
TL;DR使用合作博弈理论灵感，结合 Shapley 值和注意力机制，改进多实例学习方法，提高实例级别信息的估计准确性和幻灯片标签的预测性能。通过实验证明，在计算病理学领域的 CAMELYON-16、BRACS 和 TCGA-LUNG 数据集上，我们的方法优于现有最先进的方法，提供了更好的解释性和类别洞察，并将代码在接受后进行发布。
computational pathologywhole slide image classificationmultiple instance learningshapley valuesattention distributions
发现论文，激发创造
  • 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

  • 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

  • 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

  • 整体病理图像的干预袋多实例学习

    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

  • 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

  • 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

  • 基于弱监督学习的病理切片整体分类

    该研究提出了一种基于病理先验的多实例学习框架，通过数据增强方法和空间相关性分析，能够有效地用于癌症检测和亚型区分的医学图像分类任务。

    Jul, 2023

  • 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

  • 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

  • ProtoDiv：原型导向的一致伪包分裂用于全幻灯片图像分类

    本文提出了一种新的整张图像分类的方案 ProtoDiv，采用一个装袋原型来引导 WSI 伪装袋的划分，取得了比传统方法更好的分类性能。

    Apr, 2023