Mar, 2024

基于提示的自适应模型转换用于大规模图像分类

PDF
TL;DR多实例学习（MIL）作为一种流行的方法正在用于对组织病理学全幅切片图像进行分类。作者提出了 PAMT，这是一种新颖的基于提示的自适应模型转换框架，通过无缝地将预训练模型适应组织病理学数据的特点来提高 MIL 分类性能。作者引入了代表性补丁采样（RPS）和典型视觉提示（PVP）来重构输入数据，构建一个紧凑而且信息丰富的表示。此外，为了缩小域差异，作者在特征提取流水线中引入了适应性模型转换（AMT），使预训练模型能够学习特定领域的特征。作者在两个公开数据集 Camelyon16 和 TCGA-NSCLC 上对该方法进行了严格评估，展示了各种 MIL 模型的显著改进。作者的发现证实了 PAMT 在 WSI 分类中的潜力，强调了有针对性的重新编程方法的价值。
multiple instance learninghistopathologywhole slide imagespamtmodel transformation
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • PathM3: 一个用于全幻灯片图像分类和字幕生成的多模式多任务多实例学习框架

    通过多模态多任务多实例学习的 PathM3 框架，有效地将组织切片图像与诊断说明对齐，从而在组织病理学图像分类和生成诊断说明任务上提高了分类准确性和生成效果。

    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

  • 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

  • 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

  • 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

  • Vim4Path: 自监督视觉玛巴用于组织病理学图像

    基于 Vision Mamba 架构的图像表示学习在计算病理学中显示出显著的性能优势，并具有相对于 Vision Transformers 更好的实用性和模拟病理学家工作流程的能力。

    Apr, 2024