ترجمه فارسی مقاله توجه چیزی نیست که شما نیاز دارید: تجدید نظر در یادگیری چند منظوره برای طبقه بندی تصویر کامل اسلاید

چکیده

Although attention-based multi-instance learning algorithms have achieved impressive performances on slide-level whole slide image (WSI) classification tasks, they are prone to mistakenly focus on irrelevant patterns such as staining conditions and tissue morphology, leading to incorrect patch-level predictions and unreliable interpretability. Moreover, these attention-based MIL algorithms tend to focus on salient instances and struggle to recognize hard-to-classify instances. In this paper, we first demonstrate that attention-based WSI classification methods do not adhere to the standard MIL assumptions. From the standard MIL assumptions, we propose a surprisingly simple yet effective instance-based MIL method for WSI classification (FocusMIL) based on max-pooling and forward amortized variational inference. We argue that synergizing the standard MIL assumption with variational inference encourages the model to focus on tumour morphology instead of spurious correlations. Our experimental evaluations show that FocusMIL significantly outperforms the baselines in patch-level classification tasks on the Camelyon16 and TCGA-NSCLC benchmarks. Visualization results show that our method also achieves better classification boundaries for identifying hard instances and mitigates the effect of spurious correlations between bags and labels.

چکیده به فارسی (ترجمه ماشینی)

اگرچه الگوریتم های یادگیری چند منظوره مبتنی بر توجه به وظایف طبقه بندی کل اسلاید سطح اسلاید (WSI) در سطح اسلاید به عملکردهای چشمگیر رسیده اند ، اما مستعد تمرکز بر روی الگوهای بی ربط مانند شرایط رنگ آمیزی و مورفولوژی بافت هستند و منجر به پیش بینی های نادرست سطح پچ می شوند.و تفسیر غیرقابل اعتماد.علاوه بر این ، این الگوریتم های MIL مبتنی بر توجه ، تمایل دارند که بر روی موارد برجسته متمرکز شوند و برای تشخیص موارد سخت طبقه بندی شده تلاش کنند.در این مقاله ، ما ابتدا نشان می دهیم که روشهای طبقه بندی WSI مبتنی بر توجه به فرضیات استاندارد MIL رعایت نمی کنند.از فرضیات استاندارد MIL ، ما یک روش MIL به طور شگفت آور ساده و در عین حال مؤثر مبتنی بر نمونه برای طبقه بندی WSI (FocusMIL) بر اساس حداکثر استخر و استنتاج تنوع به جلو پیشنهاد می کنیم.ما استدلال می کنیم که هم افزایی فرض MIL استاندارد با استنتاج متغیر ، مدل را ترغیب می کند تا به جای همبستگی های فریبنده ، روی مورفولوژی تومور تمرکز کند.ارزیابی های تجربی ما نشان می دهد که Focusmil به طور قابل توجهی از خطوط پایه در وظایف طبقه بندی سطح پچ در معیارهای Camelyon16 و TCGA-NSCLC استفاده می کند.نتایج تجسم نشان می دهد که روش ما همچنین به مرزهای طبقه بندی بهتری برای شناسایی موارد سخت دست می یابد و تأثیر همبستگی های فریبنده بین کیف ها و برچسب ها را کاهش می دهد.