May, 2024

使用 Fréchet 域距离在数字病理学的多实例学习中检测域偏移

PDF
TL;DR多实例学习在数字病理学应用中具有吸引力，但对于临床实际中的领域漂移敏感性问题尚不清楚，本研究通过训练一种基于注意力机制的多实例学习算法，在来自不同国家的医院数据以及对应于不同程度领域漂移的各个子集上进行分类乳腺肿瘤转移的全切片图像，并提出一种名为 Fréchet Domain Distance（FDD）的无监督度量方法来量化领域漂移。FDD 的性能表现通过与分类性能变化的平均皮尔逊相关系数衡量，10 折交叉验证模型下 FDD 的相关系数达到 0.70，作为评估基准的深度集成（Deep ensemble）、置信度差异（Difference of Confidence）和表达式漂移（Representation shift）方法分别获得的平均皮尔逊相关系数为 0.45、-0.29 和 0.56。FDD 可以成为医疗服务提供者和供应商的有价值工具，无需额外的病理学注释就能验证多实例学习系统在新的实施点上是否能够可靠运行。
发现论文，激发创造
  • 面向病理图像例级预测的领域自适应多示例学习

    为了在不增加注释成本的情况下提高目标数据集的分类性能，我们提出了一种使用多实例学习和域自适应方法的流程，并提出了一种高置信度的伪标签方法来有效地结合两种方法的监督信息。我们使用为此研究创建的病理图像数据集进行了实验，并证明了所提出的方法相对于现有方法显着提高了分类性能。

    Apr, 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

  • 病理学中的 TB 级深度多实例学习用于分类和定位

    该研究使用大规模的有标签数据集训练深度学习模型结合 “多示例学习”，以在针生物镜下进行前列腺癌诊断，并获得了很高的 AUC，为计算病理学领域的决策支持系统部署提供了基础。

    May, 2018

  • 面向多领域不平衡数据的领域感知对比知识转移

    本文研究了多领域不平衡学习（MIL）的情形，提出了一种名为 DCMI 的领域感知对比知识传递方法来鼓励正向传递相似领域间的共享领域知识并最小化来自不同领域的负向传递。在三个不同的数据集上评估了 DCMI 的性能，展示了不同的 MIL 方案中显著的改进。

    Apr, 2022

  • 针对全尺寸图像的高效信息融合：基于同心双重融合注意力的多实例学习

    数字病理学中，Concentric Dual Fusion Attention-MIL (CDFA-MIL) 框架结合点到区域特征列注意力和点到点同心行注意力，使用同心补丁，有效融合相关信息，增强特征表示，并为 WSI 分析提供更强的相关性指导， 在准确性和 F1 分数上显着超越传统 MIL 方法，相应地在 Camelyon16 和 TCGA-NSCLC 等知名数据集上实现了平均准确率和 F1 得分分别为 93.7% 和 94.1% 的显著进展。

    Mar, 2024

  • 距离感知自注意力深度多实例学习

    提出了一种新的多实例学习（MIL）模型，使用距离感知自注意力（DAS-MIL）来考虑图像中不同补丁之间的相对空间关系，以提高医学图像分析的精度。通过在 MNIST-based MIL 数据集和公开的癌症转移检测数据集 CAMELYON16 上评估我们的模型，证明了该模型超越了现有的多数 MIL 方法。

    May, 2023

  • 基于跨尺度注意力引导的多实例学习在克隆病病理图像诊断中的应用

    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

  • 关键补丁即所需：一个稳健医学诊断的多实例学习框架

    通过使用多实例学习 (MIL) 框架，我们限制深度学习模型使用信息的数量来进行最终分类，从而提高模型在医学图像分析领域的鲁棒性和解释性。

    May, 2024

  • 医学影像的远距离领域迁移学习

    本研究提出了一种远程领域转移学习方法，通过应用该方法于 COVID-19 的肺 CT 影像数据，结合 Reduced-size Unet Segmentation 模型和 Distant Feature Fusion 分类模型，成功实现了高效且准确的 COVID-19 诊断。

    Dec, 2020

  • 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