DGMIL : Apprentissage par instances multiples guidé par la distribution pour la classification d'images de lame entière

L'apprentissage par instances multiples (Multiple Instance Learning, MIL) est largement utilisé pour l'analyse des images histopathologiques à grand champ (Whole Slide Images, WSIs). Toutefois, les méthodes MIL existantes ne modélisent pas explicitement la distribution des données ; elles apprennent uniquement une frontière de décision au niveau du sac ou au niveau de l'instance de manière discriminative, en entraînant un classificateur. Dans cet article, nous proposons DGMIL : un cadre profond de MIL guidé par la distribution des caractéristiques pour la classification des WSIs et la localisation des patches positifs. Au lieu de concevoir des architectures de réseaux discriminatifs complexes, nous montrons que la distribution intrinsèque des caractéristiques des données d'images histopathologiques peut servir de guide très efficace pour la classification des instances. Nous introduisons une méthode de modélisation de la distribution des caractéristiques conditionnée par des clusters, ainsi qu'une stratégie itérative de raffinement de l'espace des caractéristiques basée sur des pseudo-étiquettes, afin que, dans l'espace de caractéristiques final, les instances positives et négatives puissent être facilement séparées. Des expériences menées sur les jeux de données CAMELYON16 et TCGA Cancer du poumon montrent que notre méthode atteint de nouveaux états de l'art (SOTA) pour les tâches de classification globale et de localisation des patches positifs.