因吉的博客

旨在通过多尺度频域因果分析增强病理图像的特征表示和诊断性能，同时减少混杂因素的干扰。

提出OODML框架，旨在通过在线伪监督和动态互学习来增强伪标签生成和特征表示，从而提高包级别的预测性能。

提出了一种新的框架TAD-Graph，通过将WSI图分解为任务相关和任务无关的子图，从而提高模型的泛化能力和解释性，并减少过拟合和学习捷径的风险

在已有的MIL方法中，注意力机制往往会集中在一小部分具有辨别性的实例上，这与过拟合密切相关。对此，ACMIL旨在通过减少注意力值的过度集中来提高模型的泛化能力。

现有的MIL方法在特征聚合和模型泛化性上存在局限，容易导致过拟合和不准确的预测结果。为此，提出了一种基于级联Dirichlet过程 (cDP) 的贝叶斯非参数模型。

借鉴自然语言处理中的链式思考 (CoT) 提示方法和病理学家的诊断先验，通过引入逐步的文本提示先验知识，将复杂的诊断过程分解为从低倍到高倍的逐步子过程，以提高模型的泛化能力和可解释性。

现有的MIL方法主要关注实例之间的相关性，而忽视了实例本身的内在多样性。这种忽视可能导致模型在预测时错误地聚合实例，从而影响分类性能。因此，DGR-MIL旨在通过建模实例的多样性来提高WSI分类的准确性和效率。

已有基于注意力的MIL模型在分析WSI时常常忽略了肿瘤和邻近区块的上下文信息，导致分类错误。对此，CAMIL提出了邻居约束注意力机制，并将上下文约束作为先验知识，以提高局部肿瘤的检测和分类能力。

提出了一种新的MIL框架——SAM-MIL，通过引入SAM (Segment anything model) 的空间上下文信息，显式地整合图像级别的空间关系，提升病理图像分析的准确性。

对于我们常用的WSI分类任务，本文的方法可以看作是一种类似于Resnet的特征提取器，其所提取的特征包含了IHC信息，可以看作是已有图像的另一个模态。在本文的策略下，其这些特征可以和Resnet提取的特征拼接，并用于后续分类任务

WSI分辨率巨大且缺乏细粒度注释，使其分类和分析任务面临挑战。此外，现有基于注意力机制的方法在处理WSI时存在计算复杂度高和无法捕捉实例间信息的问题。因此，本文所提出的AMD-MIL方法旨在通过动态调整特征表示，并引入掩码去噪机制来改进注意力分配，从而提高对WSI的检测能力和模型的可解释性。

已有的自监督表示学习 (SSL) 方法在应用于WSI时存在局限性，包括假设同一患者的图像块是独立的、忽视了临床生物医学显微镜图像的层次结构，以及需要强烈的数据增强来提高下游性能，但这些增强可能会降低图像特征的可区分性。

传统的多示例学习 (MIL) 方法在处理WSI时忽略了单个细胞内的显式信息，并且依赖于大量数据，容易过拟合。此外，MIL方法主要关注图像块，限制了模型对单个细胞的分辨率，并且缺乏细胞间相互作用的信息。因此，提出了一种利用组织内细胞图层次结构来提供单个WSI表示的新方法，同时能够动态地在细胞级和组织级信息之间聚焦。

旨在解决全幻灯片图像 (WSI) 在计算病理学中的表示和分类问题：1. 由于WSI的超大体量，不同WSI之间的对应关系难以建立；2. 已有方法通常使用无序节点池化来获得WSI，这会损失结构和上下文信息。因此，亟需一种能够有效处理这些图像并捕局部结构信息和全局分布信息的WSI表示方法，并用于癌症亚型分类。

旨在处理多示例学习 (MIL) 场景下的免疫库分类问题，特别是应对大量噪声标签和极低免疫反应率的挑战。目标是通过设计一种健壮的训练策略，提高序列级分类的准确性，从而实现更精准的免疫库分类和疾病相关序列识别。

首次在MIL任务中利用多智能体深度强化学习 (MADRL)。MADRL允许灵活定义或扩展影响包图或GNN的因素，并同步控制它们

利用动态图构建来量化WSI中区块 (实例) 之间的位置关系

利用实例级多示例学习 (MIL) 框架来减少大规模MIL场景下的计算开销，并处理免疫库分类问题下的大存储容量挑战

提出用于WSI分类的因果多示例学习 (MIL) 框架CaMIL，其利用因果推断处理MIL中的虚假关联问题

提出了一个全新的对抗MIL框架 (AdvMIL)：基于对抗事件时间建模，并在WSI表征学习过程中整合MIL；可以应用于目前的大部分MIL端到端方法；

提出了一个新颖算法MHIM-MIL，其使用蒙版硬实例挖掘下的Siamese结构来探索与训练硬实例。

提出了双相似加权MIL核框架 (DSMIL)，其同时利用了包对包 (B2B) 与实例对包 (I2B) 相似性：B2B和I2B相似性可以基于包的关联性传播 (Affinity propagation, AP) 聚类，分别从包间的原型距离和包内的相似性矩阵导出

提出了用于MIL表示学习的自步有监督对比学习 (ItS2CLR)：1. 通过包标签导出 实例伪标签，以提高习得表征的质量；2. 使用自步采样策略，以确保伪标签的准确性；

在MIL设置下引入事后OOD检测，并设计一个新的基准来验证算法性能。

提出首次在异常检测中从PU包学习的方法：1. 使用自编码器作为潜在异常检测器；2. 提出一个新的损失以从PU包中学习；

受病理学诊断过程的启发，提出了ZoomMIL，其以端到端的方式学习且执行多级缩放，即汇聚多级尺度上的组织-上下文信息为多个WSI表示

提出一个用于弱监督全幻灯片 (WSI) 分类的实例级多示例 (MIL) 框架：1. 结合对比学习和原型学习，以实验准确的实例和包分类；2. 提出了一个实例级弱监督对比学习算法，其通过原型学习来生成准确的实例伪标签；3. 提出了一个弱监督对比学习、原型学习，以及实例分类器训练的联合训练策略。

本文提出SMILES来学习无监督包表示，其有以下特性：1. 序列不变性，其不受实例顺序的影响；2. 结构感知，对实例之间的拓扑结构进行编码；3. 对实例噪声或者扰动具有健壮性。

MIL中的实例标签不可知性致使实例级MIL算法和有监督学习者之间的显著性能差异。已有方法将包视作包含歧义的信息，并通过减少监督的不准确性来预测实例标签。

已有方法通过增强候选标签集和从实例标签获得包标签，这样的实例空间范式忽略了全局包信息，且预测的包标签易受负实例预测的影响。方法：本文提出一种替换策略—消歧注意力嵌入方法 (DEMIPL)：1. 基于动力的消歧策略：从候选标签集中识别真实标签；2. 消歧注意力机制：将包嵌入为单向量。

在很多应用场景中，不确切监督信息同时存在于实例空间和标签空间，即对偶不确切监督信息，如图2所示。在此场景下，MIL和PLL均只能得到次优解。

弱监督时间动作定位中，即仅在视频级标签下定位和识别未修剪视频中的动作。不考虑实例级标签时，已有方法大多使用基于片段的多示例 (S-MIL) 框架。这会引发两个问题：1) 测试阶段的目的是将动作提案作为一个整体并打分，而在训练阶段，分类器被训练为给多个片段打分，这样的不一致性将导致次优结果；2) 仅通过一个奔跑片段是很难对其归类的，只有通过观察整个动作实例，且使用上下文信息才能判断其具体的归属。本文立足于处理这个问题。

本文**要点**如下：1. 白血病分类需要详细检查骨髓涂片；2. 由于需要大规模数据集和泛化能力差，现有的深度学习方法面临局限性；3. **多示例学习** (MIL) 在数据高效医学图像处理方面取得了不错的进展；4. 配备有**信息瓶颈** (information bottleneck, IB) 的**分层MIL框架**可以在没有细胞级注释的情况下识别与诊断相关的细胞，并且由于其它对比方法。

弱监督视频异常检测 (wVAD) 的目的是基于视频级特征判断正常事件中的异常。已有工作通常使用基于排序损失的多示例学习。然而这些方法依赖于MIL分类器的预测，这是有噪声的，其将影响目标实例的选择，进而降低模型性能。为了克服这个问题，我们提出了正态导向多示例学习 (NG-MIL)，其将来自无噪声正常视频的多种正常模式编码，用于构建基于相似性的分类器。通过集成两个分类器的预测，NG-MIL可以微调异常得分，降低训练不稳定性。此外，引入了正态聚类和正态引导的三元组损失约束包内实例，以提高NG-MIL 的效果并增加

提出了一个重叠LPI波形识别处理框架，其整合了残差注意力U-Net对抗生成网络 (Generative adversarial network, GAN)。该框架包含五个模块，在训练集仅仅是单类型信号的情况下，也能获得很好的识别性能：1、训练信号被转换为时频图；2、使用具有残差学习的残差注意力U-Net GAN (RAUGAN) ，以噪声图像作为输入，并在高质量图像的监督下重建信号图像；3、具有非对称卷积的实例生成模型生成实例表示，该结果作为后续的残差注意力MIML分类器 (RAMIML) 的输入...

现有的重叠信号自动波形识别大多以监督方式进行。虽然它们取得了优越的性能，但却严重依赖标记样本。而标记样本的获取通常是昂贵、耗时，甚至于不可能的。这样的缺陷驱动了对半监督学习方法的研究，其未标记样本可以在训练阶段充分利用。多示例多标签学习 (MIML) 本质上是另一种弱监督学习形式，能够精确匹配从重叠信号转换中获得的时频图像TFI的形式。本文利用对抗训练的优势来制定MIML-GAN算法，以适应于重叠信号波形识别的MIML问题：1. 输入TFI，MIML-GAN使用对抗学习来近似训练集的分布；2. 通过自适

多示例学习 (MIL) 广泛应用于自动全幻灯片图像 (Whole slide image, WSI) 分析，其处理策略可以分为：1）实例特征提取；2）特征聚合。然而，由于幻灯片级别标签的弱监督性，MIL模型的训练过程通常会呈现严重的过拟合。在这种情况下，从有限的幻灯片级别标注的数据中发掘更多的信息是至关重要的。与已有的方法不同，本文着重于探索不同实例 (区块) 之间的潜在关系，而非提升实例特征的提取，以提高模型的泛化能力。

提出了基于空间连续类别表示的多示例方法 (MIL) ，其将单个MRI事件看作是一个包，相应的切片看作是实例，且仅需要事件级标注就能诊断病人。为了充分利用MRI图像中的序列化特征，在每个类别下选择最可能包含肿瘤的连续实例特征序列，并进一步将这些序列整合到包级特征中进行分类。此外，一个端到端的脑膜瘤分级架构被设计，其直接使用病人原始的MRI图像作为输入，并输出其分级预测。

提出了一个用于健壮性实例选择的模糊子空间聚类方法和用于Fisher向量 (FV) 编码的基于集成的变体，称为FCBE-miFV：1）使用模糊聚类方法来计算实例选择概率，从包中选择关键是了，转换输入包为FV；2）使用基于stacking的集成方法来对生成的包编码分类，以提升包级别分类性能。

WSI–MIL方法通常基于独立同分布假设，这忽略了不同实例之间的相关性。为了处理这个问题，提出了一个称为相关多示例的新框架。基于该框架，部署了一个基于Transformer的MIL (TransMIL)，其能够同时探索形态和空间信息。TransMIL可视化效果好、可解释性强，能够高效处理不平衡/平滑和二/多分类问题。实验验证了其性能及展示了收敛速度。