A multiple instance learning framework with instance identification and supervised contrastive learning for WSI classification

Liming Yuan

doi:10.1007/s00530-026-02515-3

A multiple instance learning framework with instance identification and supervised contrastive learning for WSI classification

2026-07-14

0

PRE

AI

DOI：10.1007/s00530-026-02515-3

原文链接

原文求助

摘要

En 中文

多示例学习（MIL）已被广泛用于全切片图像（WSI）分类，通过将吉像素WSI分割成大量称为实例袋的图像块。为了提取更具判别性的实例特征，一些MIL方法引入了伪标签生成策略，基于注意力分数为实例分配伪标签，并训练实例级分类器。然而，完全依赖注意力机制来确定实例伪标签的正确性并不稳健。此外，WSI分类中正负样本的不平衡问题常被忽视，但会对性能产生影响。为解决这两个问题，本文提出了一种结合实例识别和监督对比学习的WSI分类新型MIL框架。具体而言，我们采用两步实例识别策略，首先根据注意力分数选择top-k实例，然后利用估计的负实例分布进行过滤，有效减少实例伪标签的噪声。其次，我们在袋级引入监督对比学习，增强类内紧致性和类间可分性，以缓解袋类不平衡问题。为此，我们采用高效的随机实例掩码策略生成袋的增强视图，并维护两个动态队列构建充分且多样化的袋对。在三个公开WSI数据集上的实验结果表明，所提框架优于或高度可比于当前最先进方法。同时，定性可视化突显了本框架在识别肿瘤区域方面的有效性和优越性。

Keyword:

Whole slide image classification

Multiple instance learning

Instance identification

Supervised contrastive learning

Random instance masking

A multiple instance learning framework with instance identification and supervised contrastive learning for WSI classification

摘要

期刊

机构