MicroMIL: 基于图的上下文多实例学习在病人诊断中的应用
原文中文,约600字,阅读约需2分钟。发表于: 。当前的组织病理学研究主要集中在使用低监督多实例学习生成的全切片图像 (WSIs),然而,WSIs 造价高、占用内存且需要大量分析时间。为了寻找替代方案,基于显微镜的分析提供了成本和内存效益,尽管显微镜图像面临着绝对位置未知和多个角度重复捕捉导致的冗余图像问题。因此,我们引入了 MicroMIL,一个特别为应对这些挑战而构建的弱监督多实例学习框架,通过使用深度聚类嵌入 (DCE) 和...
研究人员引入了MicroMIL,一个特别为显微镜图像设计的弱监督多实例学习框架,以解决组织病理学研究中高成本和内存占用的问题。通过使用深度聚类嵌入和Gumbel Softmax进行图像聚类,并利用图神经网络捕捉上下文信息。实验证明,MicroMIL在结直肠癌和BreakHis数据集上优于最先进的方法,为病人诊断提供了高效的解决方案。