Attention2Minority: 一个突出的实例基于推断的多实例学习,用于在整个幻灯片图像中对小病变进行分类

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 机器学习用于医学成像.

背景情况:

• 多重实例学习 (MIL) 模型对于全幻灯片图像 (WSI) 疾病分类是成功的.
• 千兆像素WSI分类受到微小瘤病变的挑战,其中小瘤与正常面积的比率阻碍了注意力机制.

研究的目的:

• 提出一个弱监督的MIL模型,SiiMIL,以改善WSI分类,特别是对于具有小瘤病变的病例.
• 增强MIL模型区分WSI与极小瘤区域的能力.

主要方法:

• 引入了一种新型的表征学习方法,用于组织病理学图像以识别正常的键.
• 利用这些键在WSIs中选择突出实例,形成具有高瘤与正常比率的袋子.
• 采用注意力机制,根据成型的袋子进行幻灯片级分类.

主要成果:

• 在瘤WSIs中,SiiMIL改善了瘤与正常面积的比例.
• 在Camelyon16数据集上实现了0.9225 AUC和0.7551的召回,优于现有的MIL模型.
• 生成了对瘤敏感的注意热图,为病理学家提供了更好的解释性.

结论:

• SiiMIL有效地识别瘤病例,即便瘤占WSI的不到1%.
• 该模型将袋子内的瘤与正常实例比率提高了两到四倍.
• 在具有挑战性的案例中,SiiMIL显示了准确和可解释的WSI分类的巨大潜力.