摘要

我们针对全切片图像（Whole Slide Image, WSI）分类这一具有挑战性的问题展开研究。WSI具有极高的分辨率，且通常缺乏局部标注信息。当仅有切片级别的标签可用时，WSI分类可被建模为多实例学习（Multiple Instance Learning, MIL）问题。为此，我们提出了一种基于MIL的WSI分类与肿瘤检测方法，该方法无需依赖局部标注信息。我们的方法包含三个核心组件：首先，我们提出一种新颖的MIL聚合器，采用双流架构并引入可学习的距离度量机制，以建模实例之间的关系；其次，鉴于WSI可能产生规模庞大或分布不均的“包”（bags），这对MIL模型的训练构成挑战，我们引入自监督对比学习，以提取适用于MIL的高质量特征表示，同时有效缓解大规模“包”带来的高昂内存开销问题；第三，我们采用金字塔融合机制对多尺度WSI特征进行整合，进一步提升了分类与定位的准确性。我们在两个具有代表性的WSI数据集上对所提模型进行了评估，结果表明，该模型的分类准确率与全监督方法相比仅存在不到2%的差距，在多个数据集上均表现优异，显著优于以往所有基于MIL的方法。此外，在标准MIL数据集上的额外基准测试结果进一步验证了所提出MIL聚合器在通用MIL任务中的优越性能。项目代码已开源，详见GitHub仓库：https://github.com/binli123/dsmil-wsi