伪袋混合增强用于多个实例基于学习的全幻灯片图像分类

科学领域:

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

背景情况:

• 整个幻灯片图像 (WSI) 分类通常使用多个实例学习 (MIL).
• MIL培训面临着数据不足和神经网络记忆等挑战.
• 这些问题限制了WSI分析MIL模型的性能和通用性.

研究的目的:

• 引入Pseudo-bag Mixup (PseMix),这是一个新的数据增强方案,用于基于MIL的WSI分类.
• 在MIL培训中解决数据稀缺和样本记忆问题.
• 改进WSIs上的MIL模型的分类性能和稳定性.

主要方法:

• 开发了Pseudo-bag Mixup (PseMix),这是一个数据增强策略,将Mixup泛化到WSIs,使用伪袋.
• 在WSIs的混合策略中确保大小和语义对齐.
• 设计PseMix作为一种高效,独立于MIL模型预测的脱方法.

主要成果:

• PseMix显著改善了WSIs上最先进的MIL网络的分类性能.
• 该方法在特定测试场景中增强了MIL模型的概括性.
• 赛米克表现出对补丁封闭和标签噪声的强度增加.

结论:

• PseMix是一种有效的数据增强技术,用于基于MIL的WSI分类.
• 拟议的方法克服了MIL对WSI的关键培训局限性.
• PseMix为推进计算病理学和数字诊断提供了一个有价值的工具.