.png){kind=icon}
返回
Transformer-based multiple instance learning network with 2D positional encoding for histopathology image classification
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-01779-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数字医学影像，特别是病理图像，对于癌症诊断至关重要，但由于其超分辨率特性，在直接模型训练方面面临挑战。尽管弱监督学习减少了手动标注的需求，但许多多重实例学习（MIL）方法难以有效捕捉组织病理学图像中的关键空间关系。现有方法在整合位置信息时，往往忽视了精细的空间相关性，或使用的位置编码策略未能充分捕捉病理图像的独特空间动态。为解决这一问题，我们提出了一种名为TMIL（基于Transformer的多重实例学习网络，带有2D位置编码）的新框架，该框架利用多重实例学习对组织病理学图像进行弱监督分类。TMIL整合了一个基于Transformer的2D位置编码模块，用于建模位置信息并探索实例间的相关性。此外，TMIL将组织病理学图像划分为伪袋，并使用深度度量学习训练图像块级特征向量以增强分类性能。最后，该方法在一个公开的结直肠腺瘤数据集上进行了评估。实验结果显示，TMIL优于现有的MIL方法，达到了97.28%的AUC和95.19%的ACC。这些发现表明，TMIL将深度度量学习与位置编码相结合，为提高癌症诊断中病理图像分析的效率与准确性提供了一种有前景的方法。
Keyword:
Weakly supervised training
Image classification
Multiple instance learning
期刊
IF:
4.6
论文数:
2.1K
被引数:
6.6K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏分享收藏分享收藏分享收藏分享收藏
查看更多内容