一、Abstract：
弱监督的全切片图像（WSI）分类通常被表述为一个多实例学习（MIL）问题，其中每个切片被视为一个包，从中切出的小区域被视为包的实例。现有方法要么通过伪标记训练实例分类器，要么通过注意力机制聚合实例特征到包特征，然后训练包分类器，其中注意力分数可以用于实例级分类。然而，前者构建的伪实例标签通常包含大量噪声，后者构建的注意力分数也不够准确，这两者都影响了它们的性能。
在本文中，我们提出了一个基于对比学习和原型学习的实例级MIL框架，有效地完成实例分类和包分类任务。为此，我们首次提出了实例级弱监督对比学习算法，在MIL设置下有效学习实例特征表示。我们还提出了一种通过原型学习生成准确伪标签的方法。然后，我们为弱监督对比学习、原型学习和实例分类器训练开发了一种联合训练策略。在四个数据集上的广泛实验和可视化证明了我们方法的强大性能。
二、Introduction：
基于实例的方法通常使用伪标签训练实例分类器，然后聚合实例的预测结果以获得包级预测。这种方法的主要问题是实例伪标签包含大量噪声。由于每个实例的真实标签未知，分配给所有实例的伪标签的质量是决定这类方法性能的关键因素。
我们的主要目标是直接在细粒度的实例级训练一个高效的实例分类器，这需要满足两个要求：第一，获得良好的实例级特征表示；第二，为每个实例分配准确的伪标签。
首次在MIL设置中提出了实例级弱监督对比学习（IWSCL），以学习良好的实例表示，在特征空间中更好地区分负面和正面实例。我们还提出了基于原型学习的原型伪标签生成（PPLG）策略，通过维护两个代表性特征向量作为原型，一个用于负实例，另一个用于正实例，为每个实例生成高质量的伪标签。我们进一步为IWSCL、PPLG和实例分类器开发了联合训练策略。
三、Method：
1、IWSCL（实例级弱监督对比学习）
2、PPLG（基于提案学习的伪标签产生）
3、Framework
图3：所提出INS框架的总体流程，其中pos是positive的缩写，neg是negative的缩写，以及aug是augmentation的缩写。IWSCL和PPLG则分别表示实例级弱监督对比学习，以及基于提案的伪标签生成。
参考：
回答的问题：
1、文章背景：解决了现有WSI方法的什么问题？
整个MIL领域的方法分为基于bag的方法和基于Instance的方法：
1）基于Bag的方法是将整个WSI切分成patch之后，在所有的patch中利用注意力机制挑选出得分高的关键patch送入到后面的聚合器中；
2）基于Instace的方法是将整个WSI切分成patch后，根据自监督对比学习的方法挑选出关键patch送入到后面的聚合器中；
*关键patch：就是在正包中绝对是纯正的patch。如果在癌症检测过程中可以理解为该patch的所有图像上的细胞都是癌细胞。
该篇文章是基于Instance的方法进行的改进，它提出了两个模块，分别是实例级弱监督对比学习模块和基于提案学习的伪标签产生模块，通过引入这两个模块，增加了对于instace伪标签生成的准确程度，增加了对于挑选关键patch的可能性。这篇文章主要解决了：1) 实例级分类性能低；2）提出的PPLG策略生成高质量的伪标签，为每个实例分配准确的伪标签；3）首次提出了在MIL设置下的对于实例级别的弱监督对比学习（IWSCL）
2、具体方法：越细节越好，并指出相关方法的代码实现是在哪几行？
3、实验结果：在哪个数据集上测试，结果如何？
1）CIFAR-MIL
CIFAR-MIL基于CIFAR-10数据集构建，该数据集包含60000张32x32的图像，累计十个类别，每个类别6000张图像。这些图像又可以划分为50000训练，10000测试。
为了模拟病理学WSI，将每个图像看作是一个实例，卡车类别的实例视作正实例，其它的作为负实例。然后，每个正包随机选择a aa个正实例和100 − a 100-a100−a个负实例 (不重复)，则记正实例比例为a / 100 a/100a/100。同理，生成包含100个实例的负包。上述过程不断重复，直到所有正实例或者负实例被使用过。CIFAR-MIL正实例的比例分别设置为5%、10%、20%、50%，以及70%。
2) CAMELYON16
3) TCGA肺癌数据集
4) Cervical癌症数据集
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
