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

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 基于交叉注意力的全切片图像癌转移预测

    该研究提出了一种基于交叉关注的突出实例推断多实例学习方法，通过一种新的显著性提醒的关注机制，在WSIs上无需任何标注即可识别乳腺癌淋巴结微转移，并展示出对小肿瘤病变WSIs的出色准确性，具有良好的解释性特点。

    Sep, 2023

  • 多染色自注意图多实例学习流程用于组织切片全扫描图像

    提出了一个名为MUSTANG的多标引注意力自注意图的无监督吉帕像素多图像分类任务的端到端学习流水线，该任务只具备患者级别标签但没有幻灯片级别标签或区域注释，利用稀疏的k最近邻图和欧几里得距离进行操作限制，取得了0.89/0.92的F1得分/曲线下面积，优于广泛使用的CLAM模型。

    Sep, 2023

  • 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