紧凑且无偏的负实例嵌入用于整体幻灯片图像分类的多示例学习.pdfVIP

紧凑且无偏的负实例嵌入用于整体幻灯片图像分类的多示例学习

JoohyungLee,HeejeongNam,KwanhyungLee,SangchulHahn

AITRICS,RepublicofKorea

ABSTRACT[1]。由于其异常大的尺寸，现有的方法通常采用基于

全幻灯片图像（WSI）分类是一个具有挑战性的任务，补丁的处理方式——将WSI分割成小图像补丁，然

后使用图像编码器进行处理。然而，对整个幻灯片图

因为1)WSI的切片缺乏标注，以及2)WSI具有不必

要的变异性，例如染色协议。最近，多实例学习（MIL）像进行全面检查以实现补丁/像素级注释几乎是不可

本取得了显著进展，允许基于幻灯片级别的而不是切片能的，因此每个图像补丁的标签通常是缺失的。最近，

译级别的注释进行分类。然而，现有的MIL方法忽略了在全幻灯片图像疾病分析中，多示例学习（MIL）引

中来自正常幻灯片的所有切片都是正常的这一事实。利起了人们的关注，因为它省去了传统机器学习（ML）

用这种免费的标注，我们引入了一种半监督信号来消方法所需的昂贵的像素级标注[4]。在MIL算法的各

2

v除幻灯片间变异性，并捕捉正常切片中的共同变异因种方法中，基于注意力的MIL最近显示出了有希望的

5素。因为我们的方法与MIL算法正交，我们在最近提结果，它使用注意力模块将所有实例嵌入聚合到单个

9

5出的MIL算法基础上评估了我们的方法，并且还与包级别的嵌入中[4,5,6]。

0

1其他半监督方法进行了性能比较。我们在两个公开的其次，WSIs具有广泛的变异，如肿瘤类型、墨水

.

2WSI数据集（包括Camelyon-16和TCGA肺癌）上和染色协议的差异[7,8,9,10]。虽然某些变异可能是

0评估了我们的方法，并证明了我们的方法显著提高了有用的，但有些变异则不是，并且可能甚至会创建与

4

2现有MIL算法的预测性能并优于其他半监督算法。我标签的虚假关联。Lin等人。[9]引入了“bagprior”的

:

v们将在/AITRICS/pathology_mil概念，并将其定义为“每个bag(WSI)中共享的信息

i

x发布代码。（patch），但与标签无关”，因此可能会导致实例和标

r

a签之间的虚假关联。在这项研究中，我们建议通过实

IndexTerms—整张切片图像，WSI分类，多示

施同步实例嵌入中心来减少片间偏差，从而提高现有

例学习，半监督学习

MIL算法的预测性能。方法和结果分别如图1和2-(a)

所示。

1.介绍

由于MIL算法的广泛应用，WSI缺乏局部注释的

全扫描图像（WSI）是数字化的组织学切片，保问题已经不再突出。然而需要注意的是，WSI隐含地

留了原始组织学的丰富信息[1,2]。借助WSI，病理学为阴性切片提供了局部注释；来自阴性切片的每个组

家不再使用显微镜下的玻璃载玻片，而是可以应用各织区域都是阴性的。因此，即使没有显式的局部注释，

种计算工具来处理数字化图像[3]。WSI不仅改进了病我们也可以访问到正常标签（疾病阴性）的补丁，这

理学家的工作流程和诊断程序，还使疾病分析（例如些在MIL中被忽略