cDP-MIL:基于级联狄利克雷过程的鲁棒多实例学习
原文中文,约300字,阅读约需1分钟。发表于: 。提出了一种新的贝叶斯非参数多实例学习框架,其中采用级联狄利克雷过程(cDP)来学习整个组织切片的实例到包的特征分布,通过聚类形成更具代表性的簇群,并利用狄利克雷过程模型在包级别上进行预测,以防止过度拟合和增强泛化能力;同时,该方法可以准确生成后验不确定性,可用于异常样本检测和肿瘤定位。
MAD-MIL是一种基于多头注意力机制的深度多实例学习模型,用于数字病理学中的图像分类。该模型在复杂度简化的同时,能够与其他先进模型取得竞争性结果,并在多个数据集上持续超越。该模型提高了切片表示的信息多样性、可解释性和效率,是自动化病理工作流程的有希望的解决方案。