VALSE 论文速览 第37期：基于Transformer的关联性多示例学习在组织病理图像分类中的应 ...

论文题目：基于Transformer的关联性多示例学习在组织病理图像分类中的应用

作者列表：邵朱晨 (清华大学深圳研究生院，共一)，边豪 (清华大学深圳研究生院，共一)，陈扬 (清华大学深圳研究生院，共一)，王一峰 (哈尔滨工业大学 (深圳))，张健 (北京大学深圳研究生院)，季向阳 (清华大学)，张永兵 (哈尔滨工业大学 (深圳)，通讯作者)

B站观看网址：

https://www.bilibili.com/video/BV1nZ4y1D7p6/

复制链接到浏览器打开或点击阅读原文即可跳转至观看页面。

论文摘要：

全组织切片 (WSI)扫描仪的出现，将活检切片上的组织转换为完全保留原始组织结构的千兆像素图像，为数字病理学领域的深度学习应用提供了良好的机会。然而，WSI中基于深度学习的活检诊断由于其巨大的尺寸和缺乏像素级注释而面临巨大的挑战。为了解决这一问题，通常采用多实例学习 (MIL)，并将诊断分析视为弱监督学习问题。目前大多数方法都基于包中所有示例都满足独立同分布 (i.i.d.)的假设，但在实际问题的分析中，这一假设往往并不满足。基于此问题，我们提出了一种关联性的多示例学习框架，包括收敛性证明以及一个通用的三步算法。此外，设计了一种基于Transformer的MIL模型 (TransMIL)，来探索不同示例之间的形态关联性信息以及空间位置信息。在多个数据集上的良好性能证明了此方法的有效性。

论文信息：

[1]Zhuchen Shao, Hao Bian, Yang Chen, Yifeng Wang, Jian Zhang, Xiangyang Ji, Yongbing Zhang, TransMIL: Transformer based Correlated Multiple Instance Learning for Whole Slide Image Classification, In Advances in Neural Information Processing Systems (NeurIPS), 2021.

论文链接：

[https://arxiv.org/abs/2106.00908]

代码链接：

[https://github.com/szc19990412/TransMIL]

视频讲者简介：

邵朱晨，清华大学深圳研究生院硕士研究生，研究方向为深度学习在数字组织病理学中的应用。

特别鸣谢本次论文速览主要组织者：

月度轮值AC：张正 (哈尔滨工业大学(深圳))、李爽 (北京理工大学)

季度责任AC：许永超 (武汉大学)