研一下第十六周论文阅读情况

一、《ReMix: A General and Efficient Framework for Multiple Instance Learning based Whole Slide Image Classification》

from：MICCAI 2022

1、Abstract：

        全滑动图像（WSI）分类经常依赖于深度弱监督多实例学习（MIL）方法来处理千兆像素分辨率的图像和幻灯片级别的标签。然而，深度学习的出色性能来自于利用大规模数据集和多样化的样本，这迫切需要有效的训练流程以扩展至大型数据集，以及数据增强技术来多样化样本。然而，当前的基于MIL的WSI分类流程通常是内存密集型和计算效率低下的，因为它们通常将数万个图像块组合成包进行计算。另一方面，尽管数据增强在其他任务中很受欢迎，但在WSI MIL框架中却尚未得到充分探索。为了解决这些问题，我们提出了ReMix，一个基于MIL的WSI分类的通用且高效的框架。它包含两个步骤：减少和混合。首先，它通过用实例原型（即补丁聚类中心）替换实例来减少WSI包中的实例数量。然后，我们提出了一种“Mix-the-bag”增强方法，它包含四种在线、随机和灵活的潜在空间增强技术。这种方法在潜在空间中引入多样化和可靠的类身份保持语义变化，同时强制语义扰动的不变性。我们使用两种最先进的MIL方法在两个公开数据集上评估了ReMix。在我们的实验中，实现了精度、准确率和召回率的持续改进，但训练时间和内存消耗却大幅减少，这证明了ReMix的有效性和效率。

2、Conclusion：

这项工作介绍了ReMix，一个基于多实例学习（MIL）的全滑动图像（WSI）分类的通用且高效的框架。

提出一种通用、简单但有效的方法，以提高基于多实例学习（MIL）的全滑动图像（WSI）分类框架的训练效率。

提出一种新颖且高效的基于MIL的WSI分类的潜在空间增强方法，这在现有工作中鲜有探索。

在两个公共数据集上，以可观的幅度改进先前的最先进的MIL方法，但将预算降低了几个数量级。

ReMix通过用实例原型替换实例来减少WSI包中的实例数量，并通过潜在空间增强方法来混合包以提高数据多样性。我们的ReMix可以显著改进先前的最先进的MIL分类方法，同时以更快的训练速度和更少的内存消耗展现了其有效性和效率。

3、Result：

二、《RankMix: Data Augmentation for Weakly Supervised Learning of Classifying Whole Slide Images with Diverse Sizes and Imbalanced Categories》

1、Abstract：

        全滑动图像（WSI）通常具有数十亿像素的大小，并且缺乏像素级别的标注。WSI数据集在类别上也不平衡。这些独特的特性与自然图像中的特性显著不同，给WSI图像分类带来了一种弱监督学习问题的挑战。在这项研究中，我们提出了RankMix，一种在成对的WSI中混合排名特征的数据增强方法。RankMix引入了伪标签和排名的概念，以提取对WSI分类任务有贡献的关键WSI区域。进一步提出了两阶段训练策略，以提高训练的稳定性和模型性能。

        据我们所知，从数据增强的角度研究弱监督学习，以处理因训练数据不足和类别不平衡而受困扰的WSI分类问题，这方面的研究相对较少。

2、Conclusion：

        在这项工作中，我们从数据增强的角度研究了弱监督学习，以处理因训练数据不足和类别不平衡而受困扰的全滑动图像（WSI）分类问题。

        据我们所知，MIL目前专注于改进特征提取和基于聚合器的分类。在从数据增强的角度研究弱监督学习时，它相对被忽视。我们提出的方法可以应用于WSI分类问题，并且可以很容易地与现有的MIL方法相结合。

        与现有混合方法的目的是混合相同大小的自然图像相比，我们的方法可以混合不同大小的图像(例如wsi)。

        由于罕见病和医学图像采集难度大，WSI分类问题容易出现训练数据不足和分类不平衡的问题。我们提出的方法被证明是解决这些挑战的可行方法。

        我们提出了一种新的数据增强方法，名为RankMix，用于混合不同大小WSI对中的排名特征。RankMix通过伪标签和排名来提取关键的WSI区域，并采用两阶段训练策略来提高训练的稳定性和模型性能。

3、Result：

三、《Pseudo-Bag Mixup Augmentation for Multiple Instance Learning-Based Whole Slide Image

Classification 》

1、Abstract:

鉴于建模千兆像素图像的特殊情况，多实例学习（MIL）已成为全幻灯片图像（WSI）分类的最重要框架之一。在目前的实践中，大多数MIL网络在训练过程中常常面临两个不可避免的问题：i) WSI数据不足；ii) 神经网络固有的样本记忆倾向。这些问题可能会阻碍MIL模型进行充分和有效的训练，抑制分类模型在WSI上的性能持续提升。受Mixup基本思想的启发，本文提出了一种新的伪袋Mixup（PseMix）数据增强方案，以改进MIL模型的训练。该方案通过伪袋将Mixup策略从一般图像推广到特殊的WSI，以便应用于基于MIL的WSI分类。借助伪袋，我们的PseMix实现了Mixup策略中的关键尺寸对齐和语义对齐。此外，它被设计为一种高效且解耦的方法，既不涉及耗时操作，也不依赖于MIL模型预测。特别设计了比较实验和消融研究来评估我们PseMix的有效性和优势。实验结果表明，PseMix通常可以帮助最先进的MIL网络刷新其在WSI上的分类性能。此外，它还可以提高MIL模型在特殊测试场景中的泛化性能，并提升它们对补丁遮挡和标签噪声的鲁棒性。

2、Conclusivvon：

本文提出了一种针对基于多实例学习（MIL）的全幻灯片图像（WSI）分类的伪袋Mixup（PseMix）数据增强方案。该方案利用伪袋概念来实现Mixup对齐，从而将Mixup的基本思想从普通图像推广到特殊的WSI。该方案与大多数流行的MIL网络兼容。此外，它高效且即插即用，既不涉及耗时操作，也不依赖于MIL模型的预测。通过比较实验和消融研究，证实PseMix是WSI分类中有效的Mixup变体。它通常能够提升MIL模型的性能，并在整体性能上优于其他相关的混合策略。除此之外，观察到MIL模型在多个其他方面也可以从PseMix中受益更多，如泛化差距、中间数据泛化、补丁遮挡鲁棒性和标签噪声鲁棒性。在未来，我们的PseMix可以作为一种有前景的数据增强方法，帮助开发具有更好泛化和鲁棒性的WSI分类模型，用于临床病理学诊断。

3、Result：