基于分层蒸馏多实例学习的快速准确十亿像素病理图像分类

尽管多示例学习 (MIL) 在病理图像分类中取得了成功，但由于需要处理来自千兆像素全切片图像 (WSI) 的大量图像块，它面临着推理成本高昂的挑战。为了解决这个问题，我们提出了 HDMIL，这是一个分层蒸馏多示例学习框架，通过消除不相关的图像块来实现快速准确的分类。HDMIL 由两个关键组件组成：动态多示例网络 (DMIN) 和轻量级实例预筛选网络 (LIPN)。DMIN 在高分辨率 WSI 上运行，而 LIPN 在相应的低分辨率 WSI 上运行。在训练期间，DMIN 被训练用于 WSI 分类，同时生成基于注意力分数的掩码，用于指示不相关的图像块。然后，这些掩码指导 LIPN 的训练，以预测每个低分辨率图像块的相关性。在测试期间，LIPN 首先确定低分辨率 WSI 中的有用区域，这间接使我们能够消除高分辨率 WSI 中的不相关区域，从而在不导致性能下降的情况下缩短推理时间。此外，我们进一步设计了计算病理学领域首个基于切比雪夫多项式的柯尔莫哥洛夫-阿诺德分类器，并通过可学习的激活层提升了 HDMIL 的性能。在三个公共数据集上进行的大量实验表明，HDMIL 的表现优于以往的先进方法，例如，在 Camelyon16 数据集上，AUC 提升了 3.13%，推理时间缩短了 28.6%。