基于深度图卷积多实例学习的组织病理学图像预测淋巴结转移
于钊、范扬、方玉琪、刘海玲、周妮云、张军、孙家瑞、杨森、比约恩·门泽、范新娟、姚建华; IEEE/CVF计算机视觉和模式识别会议记录，2020年，第4837-4846页
摘要
多实例学习（MIL）是一种典型的弱监督学习方法，其中标签与一包实例而不是单个实例相关联。尽管在过去几年中进行了广泛的研究，但有效部署MIL仍然是一个开放且具有挑战性的问题，尤其是当普遍假设的标准多实例（SMI）假设不满足时。本文提出了一种基于深度图卷积网络和特征选择的多实例学习方法（FS-GCN-MIL），用于组织病理学图像分类。该方法由实例级特征提取、实例级特征选择和包级分类三部分组成。我们开发了一种基于可变自动编码器和生成对抗网络（VAE-GAN）组合模型的自监督学习机制来训练特征抽取器。此外，我们提出了一种新的实例级特征选择方法来选择有判别力的实例特征。此外，我们使用图卷积网络（GCN）学习袋级表示，然后执行分类。我们将该方法应用于利用结直肠癌组织病理学图像预测淋巴结转移。实验结果表明，与现有方法相比，该方法具有更好的性能。
相关材料
[pdf格式][视频][围巾]@会议记录{Zhao_2020_CVPR，
作者={赵、余和杨、范和芳、余奇和刘、海陵和周、倪云和张、军和孙、嘉瑞和杨、森和门泽、比约恩和范、辛娟和姚、建华}，
title={基于深度图卷积多实例学习的组织病理学图像预测淋巴结转移}，
booktitle={IEEE/CVF计算机视觉和模式识别（CVPR）会议记录}，
月={6月}，
年份={2020年}
}
