多示例AI模型实现病理图像分类

最新推荐文章于 2025-11-24 15:28:47 发布

原创

最新推荐文章于 2025-11-24 15:28:47 发布 · 1.4k 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#python #人工智能

✨✨ 欢迎大家来访Srlua的博文（づ￣3￣）づ╭❤～✨✨

🌟🌟 欢迎各位亲爱的读者，感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢，在这里我会分享我的知识和经验。🎥

希望在这里，我们能一起探索IT世界的奥妙，提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏：传知代码论文复现

欢迎访问我的主页：Srlua小谢获取更多信息和资源。✨✨🌙🌙

本文所有资源均可在该地址处获取。

概述

本文将基于多示例深度学习EPLA模型实现对乳腺癌数据集BreaKHis_v1的分类。EPLA模型是处理组织病理学图像的经典之作。EPLA模型是基于多示例学习来进行了，那么多示例学习模型对处理病理学图像具有天然的优势，因为多示例学习(Multiple Instance Learning 简称 MIL)是由监督型学习算法演变出的一种方法，定义“包”为多个示例的集合，具有广泛的应用。学习者不是接收一组单独标记的实例，而是接收一组带标签的包，每个包拥有多个实例。在多实例二进制分类的简单情况下，如果包中的所有实例都是否定的，则可以将包标记为否定。另一方面，如果包中只要至少有一个是正面的，则包被标记为阳性。所以这与将组织病理学图像WSI就可以认为是一个包；而从WSI切分下来的patch就可以认为是一个个示例。

EPLA框架解读

EPLA原文是用来预测结直肠癌微卫星不稳定性MSI的，但是在摘要部分明确说明了可以用来预测其他数据集，这也得益于多示例模型处理病理学图像的天然优势。下面就来看一下论文整体的框架结构图：

数据预处理

在原文中拿到组织病理学图像WSI后，首先要对WSI中的肿瘤区域进行标注，然后进行切成小patch，这是因为：

聚焦关键区域：病理图像通常非常大，包含大量的背景信息（如正常组织、脂肪组织等），这些信息对肿瘤检测和分类没有帮助。通过对肿瘤区域进行标注，可以引导模型关注关键的病变区域，从而提高模型的训练效率和性能。
减小计算复杂度：病理学图像（特别是全切片图像，WSI）通常非常大，直接处理整张图像需要消耗大量的计算资源和内存。将大图像切片成小块（patch）不仅降低了计算的复杂性，还能有效利用现有的计算资源进行模型训练。
数据增强和多样性：通过将图像切成多个patch，可以大大增加可用于训练的数据量。这些patch代表了同一图像中的不同局部区域，能够让模型在学习时看到更多的变异性，提升模型的泛化能力。
平衡正负样本比例：在病理图像中，肿瘤区域通常占比较小。通过切片成patch并对肿瘤区域进行标注，能够更好地平衡肿瘤区域（正样本）和非肿瘤区域（负样本）的比例，防止模型过拟合于背景信息。
捕捉局部细节</