SAM-MIL：一种面向整张切片图像分类的空间上下文感知多实例学习方法
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
本文提出了多种基于多示例学习（MIL）的方法，以提高全幻灯片图像（WSI）分类和肿瘤检测的准确性。通过引入稀疏编码、注意力机制和虚拟伪包等技术，实验结果表明这些方法在性能和计算效率上优于现有技术，适用于数字病理学中的弱监督任务。
❓
Q&A
SC-MIL方法的主要优势是什么？
SC-MIL方法通过稀疏字典学习改善特征嵌入和实例相关性，显著提升多示例学习性能。
如何提高全幻灯片图像分类的准确性？
通过自我监督对比学习和金字塔融合机制，可以提高全幻灯片图像分类和肿瘤检测的准确性。
MHIM-MIL框架的创新点是什么？
MHIM-MIL框架利用硬样本建模分类边界，实验证明其在性能和训练成本上优于其他方法。
MamMIL框架如何结合Transformer与多实例学习？
MamMIL框架结合了选择性结构状态空间模型与多实例学习，能够以较小内存占用实现先进的分类性能。
虚拟pseudo-bags的概念在MIL中有什么作用？
虚拟pseudo-bags的引入扩大了样本数，并在基于注意力的MIL框架下推导实例概率，显著提高了性能。
MAD-MIL模型的设计目标是什么？
MAD-MIL模型旨在针对数字病理学中的弱监督整张切片图像分类，提升信息多样性、可解释性和效率。
🏷️
