.png){kind=icon}
返回
Multiple Instance Learning Framework with Masked Hard Instance Mining for Gigapixel Histopathology Image Analysis
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-025-02587-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
将病理图像数字化为千兆像素全切片图像（WSIs）为计算病理学（CPath）开辟了新的途径。由于阳性组织仅占千兆像素WSIs的一小部分，现有的多重实例学习（MIL）方法通常通过注意力机制专注于识别显著实例。然而，这会导致偏向于易于分类的实例而忽略具有挑战性的实例。近期研究表明，困难样本对于准确建模判别边界至关重要。将这一思想应用于实例层面，我们阐述了一种具有掩码困难实例挖掘（MHIM-MIL）的新型MIL框架，该框架利用具有一致性约束的Siamese结构来探索困难实例。通过使用类别感知的实例概率，MHIM-MIL采用动量教师来掩码显著实例，并隐式挖掘困难实例以训练学生模型。为获取多样且非冗余的困难实例，我们采用大规模随机掩码，同时利用全局循环网络来缓解丢失关键特征的风险。此外，学生通过指数移动平均更新教师，这有助于识别后续训练迭代中的新困难实例并稳定优化。在癌症诊断、亚型分类、生存分析任务以及12个基准测试上的实验结果表明，MHIM-MIL在性能和效率方面均优于最新方法。代码可在以下地址获取：https://github.com/DearCaat/MHIM-MIL。
Keyword:
Medical Image Analysis
Gigapixel Image Analysis
Computational Pathology
Multiple Instance Learning
Hard Instance Mining
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
引用论文
Feature Re-Embedding: Towards Foundation Model-Level Performance in Computational Pathology特征重新嵌入: 迈向计算病理学中的基础模型级性能
PREAI
分享收藏Pathomic Fusion: An Integrated Framework for Fusing Histopathology and Genomic Features for Cancer Diagnosis and Prognosis病理学融合: 融合癌症诊断和预后的组织病理学和基因组特征的集成框架
OAAI
OAAI分享收藏分享收藏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 MEDICINEOAAI
NATURE MEDICINEIF50
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Unsupervised mutual transformer learning for multi-gigapixel Whole Slide Image classification多千兆像素全幻灯片图像分类的无监督互transformer学习MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏
查看更多内容