.png){kind=icon}
返回
Reducing Variability of Multiple Instance Learning Methods for Digital Pathology
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-04981-0_48.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数字病理通过将组织样本数字化为全切片图像（WSI）彻底改变了该领域。然而，WSI的高分辨率和大尺寸在应用深度学习模型时带来了显著挑战。作为一种解决方案，WSI通常被分割成带有全局标签（即诊断标签）的小图像块，而不是进行代价高昂的像素级标注。通过将每张切片视为图像块的集合，多重实例学习（MIL）方法已作为WSI分类的合适解决方案出现。MIL方法的主要缺点是其性能在不同运行之间具有高度变异性，在测试集上可能达到10-15个AUC点，使得难以可靠地比较不同的MIL方法。这种变异性主要来自三个因素：i) 权重初始化，ii) 批次（洗牌）顺序，iii) 学习率。为了解决这一问题，我们提出了一种多精度模型融合策略用于MIL方法。我们首先训练多个模型几个epoch，并根据验证分数平均最稳定且有前景的模型。这种方法可以应用于任何现有的MIL模型以减少性能变异性。它还简化了超参数调优并提高了可复现性，同时保持计算效率。我们在WSI分类任务上广泛验证了我们的方法，使用了2个不同数据集、3种初始化策略和5种MIL方法，共计超过2000次实验。
Keyword:
Multiple Instance Learning
Variadion Reduction
Whole Slide Image Classification
期刊
机构
引用论文
.png){kind=icon}
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Is One Epoch All You Need For Multi-Fidelity Hyperparameter Optimization?一次迭代就足以进行多 fidelity 超参数优化吗？
OAAI
OAAI分享收藏
查看更多内容