Aug, 2024

基于状态空间对偶的计算病理学多实例学习框架Mamba2MIL

HTML
PDF
TL;DR本文针对计算病理学中多实例学习面临的信息利用不足问题，提出了一种新颖的框架Mamba2MIL。该框架利用状态空间对偶模型，有效融合各种特征，并引入了适应不同全切片图像大小的序列变换方法，从而显著提升了序列信息的利用效率。实验结果表明，Mamba2MIL在多个数据集上超越了现有的最先进方法。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 数字病理学中多实例学习的结构化状态空间模型

    这篇论文提出将状态空间模型用作多实例学习器应用于数字病理学中的各种问题，并在转移学习、癌症亚型分类等方面进行实验，在此类模型中展示了与现有技术的竞争力。

    Jun, 2023

  • MamMIL：基于状态空间模型的整片切片图像多实例学习

    通过将 Transformer 与多实例学习（MIL）框架结合使用整张切片图像（WSIs），我们提出了一种 MamMIL 框架，首次将选择性结构状态空间模型（即 Mamba）与 MIL 结合起来，实现了对实例依赖性的建模并保持了线性复杂性。在两个数据集上的实验证明，MamMIL 可以以比基于 Transformer 的最先进的 MIL 框架更小的内存占用来实现先进的分类性能。

    Mar, 2024

  • MambaMIL: 在计算病理学中通过序列重新排序来增强长序列建模

    通过在多实例学习（MIL）中引入选择性扫描空间状态顺序模型（Mamba），提出了具有线性复杂度的长序列建模的MambaMIL。通过继承香草Mamba的能力，MambaMIL能够全面理解和感知实例的长序列，并借助序列重新排序的Mamba（SR-Mamba）有效地捕获更具有区分度的特征，并减轻与过度拟合和计算负担过重相关的挑战。通过对九个不同数据集上的两个公开挑战任务进行的大量实验，我们的提出的框架相对于最先进的MIL方法取得了良好的性能。

    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

  • 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

  • 数字病理学中幻灯片级癌症亚型的基础模型

    本研究解决了数字病理学领域模型适应性不足的问题，提出了利用基础模型在大规模领域特定数据集上进行训练的方法。研究发现，基础模型在皮肤癌六个亚型预测方面表现优于使用ImageNet预训练的模型，具有显著的临床应用潜力。

    Oct, 2024