Jun, 2024

面向任务的嵌入计数：启发式聚类驱动的特征微调用于全切片图像分类

PDF
TL;DR通过启发式聚类驱动的特征微调方法（HC-FT），提供纯净的正样本和难负样本，增强多实例学习的性能，并在 CAMELYON16 和 BRACS 数据集上实现了 97.13% 和 85.85% 的 AUC，持续优于所有对比方法。
发现论文，激发创造
  • 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

  • 基于动态多元嵌入的肿瘤分类双查询多示例学习

    提出了一种新颖的基于嵌入的双查询多示例学习（DQ-MIL）流水线，使用动态元嵌入方法并将 MIL-attention 与相关自我关注相结合，该方法在三个组织学数据集中实现了较高的性能。

    Jul, 2023

  • Cluster-to-Conquer：全幻灯片图像分类端到端多实例学习框架

    本文提出了一种名为 C2C 的聚类解决方案，该方案通过聚类、采样数据以及使用自适应注意机制在自动疾病诊断领域中对大型 WSI 图像进行有效的分类和预测。

    Mar, 2021

  • 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

  • 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

  • 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

  • 利用掩码上下文建模和知识蒸馏来微调多实例学习特征提取器

    通过使用遮蔽上下文建模与知识蒸馏的方法，对特征提取器模型进行微调，可以显著提高多示例学习中整个切片图像分类的性能。

    Mar, 2024

  • 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

  • 嵌入空间增强全扫描图像弱监督学习

    本文介绍了一种基于数据增强对多实例学习方法进行改进的方法，即使用数据增强生成对抗网络在嵌入空间中合成数据增强，从而显著降低计算成本，实验结果表明该方法优于未经过数据增强的多实例学习方法，并且与传统基于图块的数据增强方法相当，但速度明显更快。

    Oct, 2022

  • 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