CLAM：基于全幻灯片图像的数据高效和弱监督的计算病理学

CLAM：基于全幻灯片图像的数据高效和弱监督的计算病理学

前提知识：

MIL多示例学习：

CLAM处理的是多分类问题，对于输入的WSI图，根据它的形态学特征可以分为N个类别，一张WSI图只能属于其中的一个类。（比如WSI图共有三个类别：a b c，一张WSI只属于a b c中的一类）。若一张WSI图属于某一类，则这个WSI图的所划分出来的所有patch都属于这一类。

CLAM模型的流程解释：

a：

1. 对原始WSI图像进行语义分割，去掉背景
2. 对取出来的这个图像划分成M个Patch（每个patch256*256pixels）

b：

1. 对于每个patch，逐个输入到ResNet50中，进行特征提取，降维，输出一个xx维度的向量z_k
2. 对于（1）输出的向量，使其输入一个Attention backbone，输出对这个向量的attention评分
3. 因为共有M个patch，所以（2）输出有M个向量，attention backbone还将这M个向量分成N个类，进入了N条分支。这N个类中有一类是原始WSI所属的类。
4. 对于每个分好了类别的patch，最终将经过一系列“操作”，输出一个向量s，这个向量s有 N维，代表了每个patch所代表的类跟真实标签之间的关系轻重度。最终这个向量s再经过一个“操作”，根据已知s来预测这个WSI图的标签。最终这个预测的WSI标