AttriMIL:从实例属性的角度重新审视基于注意力的多个实例学习,以从实例属性的角度进行全幻灯片病态图像分类

科学领域:

• 计算病理学计算病理学
• 医学中的人工智能
• 数字病理学数字病理学

背景情况:

• 多重实例学习 (MIL) 对于全幻灯片病理图像 (WSI) 分析至关重要,特别是对于幻灯片级标签.
• 基于注意力的MIL模型推进了弱监督的WSI分类,但在实例区分方面扎,可能会降低性能.
• 在WSI分析中,区分实例是准确组织识别和分类的关键.

研究的目的:

• 引入AttriMIL,一个属性意识的多实例学习框架,以解决当前MIL方法对WSI分析的局限性.
• 为了提高千兆像素分辨率的病理图像中的实例的差异化.
• 提高监督较弱的WSI分类和疾病阳性区域局部化的准确性和稳定性.

主要方法:

• 开发了一种多部门的属性评分机制,以量化个体病例的病理属性.
• 引入了区域智能和幻灯片智能属性约束,以便在培训期间动态建模实例相关性.
• 实施了一种病理学适应性学习技术,以优化预训练的特征提取器,用于特定任务的特征提取.

主要成果:

• 在五个公共数据集中,AttriMIL始终超过了最先进的方法.
• 在袋子分类准确度,概括能力和疾病阳性区域定位方面表现出卓越的表现.
• 属性约束有效地鼓励网络捕捉空间模式和语义相似性,提高对具有挑战性的实例的敏感性.

结论:

• 在WSI分析中,AttriMIL提供了一个强大的框架,用于属性意识的多实例学习.
• 拟议的属性约束和自适应学习技术显著提高了分类和本地化性能.
• 通过改进的WSI分析,AttriMIL为计算病理学提供了有前途的进展,有助于通过改进的WSI分析进行临床诊断.