DTFD-MIL: Double-Tier Feature Distillation Multiple Instance Learning für die Klassifikation von Histopathologie-Ganzes-Präparat-Bildern

Multiple Instance Learning (MIL) wird zunehmend für die Klassifikation von histopathologischen Whole Slide Images (WSIs) eingesetzt. Dennoch stehen MIL-Ansätze für dieses spezifische Klassifikationsproblem weiterhin vor einzigartigen Herausforderungen, insbesondere im Zusammenhang mit kleinen Stichprobenkollektiven. In solchen Fällen sind die Anzahl der WSI-Slides (Bags) begrenzt, während die Auflösung einzelner WSIs sehr hoch ist, was zu einer großen Anzahl an Patch-Instanzen führt, die aus diesen Slides extrahiert werden. Um dieses Problem anzugehen, schlagen wir vor, die Anzahl der Bags virtuell zu vergrößern, indem wir den Begriff der Pseudo-Bags einführen, auf denen ein zweistufiges MIL-Rahmenwerk aufgebaut wird, um die inhärenten Merkmale effektiv auszunutzen. Darüber hinaus leisten wir einen Beitrag zur Ableitung der Instanzwahrscheinlichkeit im Rahmen eines auf Aufmerksamkeit basierenden MIL-Ansatzes und nutzen diese Ableitung, um den vorgeschlagenen Rahmen zu konstruieren und zu analysieren. Die vorgeschlagene Methode übertrifft andere aktuelle Methoden auf dem CAMELYON-16-Datensatz deutlich und zeigt zudem eine bessere Leistung auf dem TCGA-Lungenkrebs-Datensatz. Der vorgeschlagene Rahmen ist zukünftig leicht erweiterbar für breitere MIL-Anwendungen. Der Quellcode ist unter folgender Adresse verfügbar: https://github.com/hrzhang1123/DTFD-MIL