在多实例学习中硬实例挖掘用于整片图像分类的多实例学习
概括
本研究介绍了硬伪标签赋值 (HPA-MIL),这是一个全新的多实例学习方法,用于整张幻灯片图像的分类. HPA-MIL有效地识别和分类困难实例,优于现有方法.
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:
- 多个实例学习 (MIL) 对于整片图像 (WSI) 分类是有效的.
- 目前用于WSI的MIL方法使用特征提取器和聚合器,但与难以分类的实例作斗争.
- 现有的方法基于简单的实例进行优化,限制对具有挑战性的案例的歧视.
研究的目的:
- 为WSI分类开发一种新的MIL方法,以解决现有方法的局限性.
- 改进WSI分析中难以分类的实例的歧视.
- 引入硬件伪标签分配 (HPA-MIL) 来直接挖掘硬件实例.
主要方法:
- 实施了一种名为HPA-MIL的多个实例学习 (MIL) 方法.
- 利用伪标签分配直接挖掘难以分类的实例.
- 集成的功能提取和MIL聚合用于交互式优化.
主要成果:
- 在TCGA NSCLC数据集中,HPA-MIL实现了0.9523的曲线下的面积 (AUC).
- 与现有最先进的技术相比,提出的方法显示出更高的性能.
- 有效地改善了 WSIs 中具有挑战性的实例的分类.
结论:
- HPA-MIL为WSI分类的多实例学习提供了显著的进步.
- 伪标签分配策略有效地准并对硬实例进行分类.
- 这种方法增强了计算病理学工具的诊断能力.


