Jul, 2024

cDP-MIL：基于级联狄利克雷过程的鲁棒多实例学习

HTML
PDF
TL;DR提出了一种新的贝叶斯非参数多实例学习框架，其中采用级联狄利克雷过程（cDP）来学习整个组织切片的实例到包的特征分布，通过聚类形成更具代表性的簇群，并利用狄利克雷过程模型在包级别上进行预测，以防止过度拟合和增强泛化能力；同时，该方法可以准确生成后验不确定性，可用于异常样本检测和肿瘤定位。
发现论文，激发创造
  • 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

  • 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

  • 引入多实例学习中的实例标签相关性。应用于组织病理图像癌症检测

    本文通过引入与统计物理的Ising模型相关的新偶合项扩展了一种基于高斯过程的最先进弱监督多实例学习方法(VGPMIL-PR)，提高了在组织病理学图像中检测前列腺癌的效果，并通过可视化和分析提供了洞察力，有望在其他研究领域中应用该模型。

    Oct, 2023

  • Long-MIL: 面向组织病理学全切片图像分析的长上下文多实例学习的扩展

    本文提出了一种改良位置嵌入的长上下文WSI方法，通过引入线性偏差来处理形状变化的大WSI，并将其从1维长序列适应到2维长上下文WSI中，用于模型对未见或欠拟合位置的外推；同时利用闪存注意力模块解决Transformer的计算复杂性问题，保持了全自注意力的性能。通过在4个数据集上进行WSI分类和生存预测任务的广泛实验证明了我们方法在形状变化的WSIs上的优越性。

    Nov, 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

  • 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

  • 重新思考基于注意力的多实例学习在全切片病理图像分类中的应用：一个实例属性的观点

    提出了一个属性驱动 MIL 框架来解决注意力机制在区分实例上的限制，并通过空间属性约束和属性排序约束改进了模型的识别能力，进而在多个评估指标上优于现有的最先进框架。

    Mar, 2024

  • DGR-MIL：多样全球表示在多实例学习中的探索用于整张切片图像分类

    提出了一种基于多样性全局表示（DGR-MIL）的新型MIL聚类方法，通过建模实例之间的差异，以及使用一组全局向量来从实例中提取摘要。该方法在CAMELYON-16和TCGA肺癌数据集上明显优于现有的MIL聚类模型。

    Jul, 2024

  • 全切片图像分析中的多实例学习进展：技术、挑战与未来方向

    本研究解决了全切片图像（WSI）分析中由于其巨大规模和复杂性而带来的独特挑战。文章提出了一种多实例学习（MIL）的方法，通过总结各种技术及其在癌症分类与检测中的应用，强调了MIL在癌细胞形态发现和可解释机器学习模型构建中的潜在影响，旨在为研究人员提供当前领域的状态并激发未来研究方向。

    Aug, 2024

  • 注意力不是你所需要的：重新审视整片切片图像分类的多实例学习

    本研究针对现有的基于注意力的多实例学习算法在整片切片图像分类中存在错误聚焦于无关模式的问题。我们提出了一种基于最大池化和前向变分推理的简单有效的实例基础多实例学习方法（FocusMIL），显著提升了在Camelyon16和TCGA-NSCLC基准上的分类表现，并改善了对困难实例的识别能力。

    Aug, 2024