.png){kind=icon}
返回
MicroMIL: Graph-Based Multiple Instance Learning for Context-Aware Diagnosis with Microscopic Images
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-04927-8_37.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
癌症诊断已从全切片图像（WSIs）与多重实例学习（MIL）的整合中获益匪浅，实现了组织形态的高分辨率分析。基于图的MIL（GNN-MIL）方法已作为捕获WSIs中上下文信息的有力解决方案出现，从而提高了诊断准确性。然而，WSIs需要大量的计算和基础设施资源，限制了其在资源受限环境中的可及性。传统光学显微镜提供了成本效益更高的替代方案，但将GNN-MIL应用于此类数据具有挑战性，因为存在大量的冗余图像和缺失的空间坐标，这阻碍了上下文学习。为解决这些问题，我们引入了MicroMIL，这是首个专为传统光学显微镜获取的图像设计的弱监督MIL框架。MicroMIL利用一个代表性图像提取器（RIE），采用深度聚类嵌入（DCE）和硬Gumbel-Softmax来动态减少冗余并选择代表性图像。这些图像作为图节点，通过余弦相似度计算边，无需空间坐标即可保留上下文信息。在真实结肠癌数据集和BreakHis数据集上的广泛实验表明，MicroMIL实现了最先进的性能，提高了诊断准确性和对冗余的鲁棒性。代码可在https://github.com/kimjongwoo-cell/MicroMIL获取。
Keyword:
Digital Pathology
Conventional Light Microscopes
Microscopy Images
Multiple Instance Learning
期刊
机构
引用论文
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
Plasma Hsp90 levels in patients with systemic sclerosis and relation to lung and skin involvement: a cross-sectional and longitudinal study系统性硬化症患者的血浆Hsp90水平及其与肺和皮肤受累的关系: 一项横断面和纵向研究.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
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