1 概述

1.1 题目

  2022AAAI-MAKE：病理学图像分析与可解释性深度特征嵌入多示例 (Explainable deep feature embedding using multiple instance learning for pathological image analysis)

1.2 摘要

  高像素病理全幻灯片图像 (Whole slide image, WSI) 的计算机辅助诊断算法是一个重要的研究方向。算法的可信度与其准确性以及可解释性息息相关。WSI分类可以制定为多示例学习 (Multi-instance learning, MIL) 问题，其通常是将图像区块嵌入到特征空间并汇聚为特征向量，新近的做法有使用注意力机制CNN训练特征嵌入以及定位关键区块。关键区块的存在对于分类有一定的可解释性。
  然而，关于这些区块为什么被选择以及为什么是重要的有些模棱两可，尤其在医学领域并不是那么令人信服。因此，一种基于字典的可解释CNN被提出：
  1）确定目标WSI中的一些病理学发现，并提供代表性且分类有用的词典项目辅助解释；
  2）基于MIL方案构建字典，从而利用日常诊断而非细粒度注释获得的诊断信息来减少开销。

2 方法

2.1 问题声明

  令 D = { S i : i = 1 , 2 , … , N } D=\{S_i:i=1,2,\dots,N\} D={Si​:i=1,2,…,N}表示包含多个包的训练集，每个包对于一个图像，包中的实例对应图像中的区块。对于二分类问题，令$S_i=\{(x_{i,j},y_{i,j}):j=1,2,\dots ,M_i\}$表示一个WSI，其中$x_{i,j}$表示区块， y i , j ∈ { 0 , 1 } y_{i,j}\in\{0,1\} yi,j​∈{0,1}是区块标签，通常未知。不同的WSI的大小$M_i$一般不同，其标签 Y i ∈ { 0 , 1 } Y_i\in\{0,1\} Yi​∈{0,1}。

2.2 基于字典的可解释性CNN

  图2展示了所提算法的总体框架，包括：
  1）可解释特征表示：将区块级特征向量映射到人类可以轻松解释的特征字典；
  2）特征整合：整合区块级特征为一个用于分类的特征。

2.2.1 可解释特征表示