Disentangled Pseudo-Bag Augmentation for Whole Slide Image Multiple Instance Learning

Jiuyang Dong

doi:10.1109/TMI.2025.3569941

Disentangled Pseudo-Bag Augmentation for Whole Slide Image Multiple Instance Learning

2025-05-14

0

PRE

AI

DOI：10.1109/TMI.2025.3569941

原文链接

原文求助

摘要

En 中文

作为病理全切片图像（WSI）分类的主流方法，多重实例学习（MIL）方法在有限的标注WSI数据上面临挑战。尽管MIL通过基于伪包（pseudo-bag）的增强方法取得了显著进展，但其有效性常受噪声伪标签和低质量伪包的限制。为克服这些问题，我们重新审视了利用伪包进行WSI数据增强的方法，并提出了一种新的伪包生成范式，命名为DPBAug。其独特特征可总结为：i）我们开发了一个单张切片内的伪包生成模块，通过表型分割将切片内的异构实例进行分离。此外，为保证生成伪包时标签的准确继承，我们提出了一个带替换的实例采样算法。ii）设计了一个跨切片伪包融合模块，用于整合多个WSI间的异构信息，生成能够更好发挥神经网络潜力的高质量训练样本。iii）伪包记忆更新模块优先保留有价值的合成伪包，进一步提升了网络的分类性能。大量实验表明，DPBAug优于现有的增强方法，提升了多个MIL基准模型在各类公开数据集上的分类性能和可靠性。DPBAug还提高了现有MIL方法的泛化能力和数据效率，促进了其在临床实践和罕见癌症研究中的应用。项目代码见：https://github.com/JiuyangDong/DPBAug。

Keyword:

Whole slide image classification

multiple instance learning

data augmentation

Disentangled Pseudo-Bag Augmentation for Whole Slide Image Multiple Instance Learning

摘要

期刊

机构