.png){kind=icon}
返回
Frequency-Aware Causal Regularization for Multiple Instance Learning in Whole Slide Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/tmi.2026.3697015.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
全切片图像（WSI）分类是计算病理学中的一个关键任务，旨在通过高分辨率组织图像分析提供自动化诊断支持。在弱监督WSI分类场景中，主要挑战在于传统的多重实例学习（MIL）方法，这些方法依赖于基于注意力池化机制的实例级嵌入聚合。这些方法通常依赖数据驱动的统计相关性，导致其注意力分配方案与组织病理学诊断区域之间出现错位，从而降低预测结果的可靠性。为解决此问题，我们提出了频率感知因果正则化多重实例学习（FC-MIL），一种结合频率感知注意力（FAA）和因果正则化（CR）的创新框架。FAA通过联合建模空间域和频率域特征，提取更精细的组织学纹理，而CR在潜在空间中引入特征级反事实扰动作为受干预启发的正则化器，促使模型减少对虚假相关性的依赖，更多地关注不变的病理学线索。在四个WSI数据集上获得的结果表明，FC-MIL在准确性和可解释性方面均优于当前最先进的多重实例学习方法。我们的源代码可在https://github.com/7FFDW/FCMIL获取。
Keyword:
Whole slide image classification
frequency-aware
causal regularization
multiple instance learning
期刊
IF:
9.8
论文数:
6.3K
被引数:
3.7W
机构
引用论文
分享收藏分享收藏Attention-Challenging Multiple Instance Learning for Whole Slide Image Classification注意力挑战的多实例学习方法用于全切片图像分类
PREAI
分享收藏Shapley Values-Enabled Progressive Pseudo Bag Augmentation for Whole-Slide Image Classification基于Shapley Values的渐进式伪包增强用于全切片图像分类
PREAI
分享收藏Boosting Multiple Instance Learning Models for Whole Slide Image Classification: A Model-Agnostic Framework Based on Counterfactual Inference提升用于全切片图像分类的多实例学习模型：一种基于反事实推理的模型无关框架
OAAI
OAAI分享收藏Clinical-grade computational pathology using weakly supervised deep learning on whole slide images在整个幻灯片图像上使用弱监督深度学习的临床级计算病理学.png)
NATURE MEDICINE
OAAI
NATURE MEDICINEIF50
OAAI分享收藏Histopathology images predict multi-omics aberrations and prognoses in colorectal cancer patients组织病理学图像预测结直肠癌患者的多组学像差和预后NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Data-efficient and weakly supervised computational pathology on whole-slide images全载玻片图像上的数据高效和弱监督计算病理学OAAI
OAAI分享收藏
查看更多内容