摘要

多实例学习（Multiple Instance Learning, MIL）在组织病理学全切片图像（Whole Slide Images, WSIs）分类任务中得到了日益广泛的应用。然而，针对此类特定分类问题的MIL方法仍面临诸多独特挑战，尤其是小样本队列场景下的问题。在这些场景中，全切片图像（即“包”）的数量有限，而单张WSI的分辨率极高，导致从中裁剪出的图像块（即“实例”）数量极为庞大。为应对这一挑战，本文提出通过引入“伪包”（pseudo-bags）的概念，虚拟扩充包的数量，并在此基础上构建双层MIL框架，以更有效地利用图像的内在特征。此外，本文还在基于注意力机制的MIL框架下，推导出实例概率的表达形式，并利用该推导结果辅助构建与分析所提出的框架。实验结果表明，该方法在CAMELYON-16数据集上显著优于其他最新方法，同时在TCGA肺癌数据集上也展现出更优的性能。所提出的框架具有良好的可扩展性，可进一步推广至更广泛的MIL应用场景。相关代码已开源，地址为：https://github.com/hrzhang1123/DTFD-MIL。