简读分享 | 陈兴民 编辑 | 王宇哲
论文题目
MuRCL: Multi-instance Reinforcement Contrastive Learning for Whole Slide Image Classification
论文摘要
多实例学习(Multi-instance learning, MIL)被广泛应用于自动全视野数字病理切片（WSI）分析，它通常包括实例特征提取和特征聚合两个阶段。然而，由于幻灯片级别标签的“弱监督”，在训练一个有效的MIL模型时，特征聚合阶段会出现严重的过拟合。在这种情况下，从有限的slide-level数据中挖掘更多信息是WSI分析的关键。与以往改进实例特征提取的工作不同，本文研究了如何利用不同实例(补丁)之间的潜在关系来对抗MIL中的过拟合，从而使WSI分类更加一般化。文章提出了一种新的多实例强化对比学习框架(MuRCL)来深入挖掘不同斑块的内在语义关系，以推进WSI分类。具体来说，首先以自我监督的方式训练所提议的框架，然后使用WSI的slide-level标签进行微调。作者将第一阶段制定为对比学习(CL)过程，其中正/负判别特征集是从WSIs的相同补丁级特征包构建的。为了方便CL训练，作者设计了一种新的基于强化学习的代理，根据幻灯片级特征聚合的在线奖励，逐步更新判别特征集的选择。然后，用标记的WSI数据进一步更新模型，以正则化学习到的特征，从而进行最终的WSI分类。在三个公共WSI分类数据集(Camelyon16, TCGA-Lung和TCGA-Kidney)上的实验结果表明，所提出的MuRCL优于最先进的MIL模型。此外，MuRCL可以在TCGA-Esca数据集上实现与其他最先进的MIL模型相当的性能。
论文链接
https://ieeexplore.ieee.org/document/9975198
