Meervoudige Instantie Leerframework met Gemaskeerde Harde Instantie Mijnbouw voor Gigapixel Histopathologie Beeldanalyse

Multiple Instance Learning Framework with Masked Hard Instance Mining for Gigapixel Histopathology Image Analysis

September 15, 2025

Auteurs: Wenhao Tang, Sheng Huang, Heng Fang, Fengtao Zhou, Bo Liu, Qingshan Liu

cs.AI

Samenvatting

Het digitaliseren van pathologische afbeeldingen naar gigapixel Whole Slide Images (WSI's) heeft nieuwe mogelijkheden geopend voor Computational Pathology (CPath). Omdat positief weefsel slechts een klein deel uitmaakt van gigapixel WSI's, richten bestaande Multiple Instance Learning (MIL) methoden zich doorgaans op het identificeren van opvallende instanties via aandachtmechanismen. Dit leidt echter tot een vooroordeel ten gunste van gemakkelijk te classificeren instanties, terwijl uitdagende instanties worden verwaarloosd. Recente studies hebben aangetoond dat moeilijke voorbeelden cruciaal zijn voor het nauwkeurig modelleren van discriminerende grenzen. Door dit idee toe te passen op instantieniveau, ontwikkelen we een nieuw MIL-framework met gemaskeerde harde instantie-mining (MHIM-MIL), dat een Siamese structuur met een consistentiebeperking gebruikt om de moeilijke instanties te verkennen. Met behulp van een klassebewuste instantiekans gebruikt MHIM-MIL een momentumleraar om opvallende instanties te maskeren en impliciet moeilijke instanties te minen voor het trainen van het studentmodel. Om diverse, niet-redundante moeilijke instanties te verkrijgen, passen we grootschalige willekeurige masking toe terwijl we een globaal recyclenetwerk gebruiken om het risico van het verliezen van belangrijke kenmerken te beperken. Bovendien werkt de student de leraar bij met een exponentieel voortschrijdend gemiddelde, wat nieuwe moeilijke instanties identificeert voor volgende trainingsiteraties en de optimalisatie stabiliseert. Experimentele resultaten op taken voor kankerdiagnose, subtypering, overlevingsanalyse en 12 benchmarks tonen aan dat MHIM-MIL de nieuwste methoden overtreft in zowel prestaties als efficiëntie. De code is beschikbaar op: https://github.com/DearCaat/MHIM-MIL.

English

Digitizing pathological images into gigapixel Whole Slide Images (WSIs) has opened new avenues for Computational Pathology (CPath). As positive tissue comprises only a small fraction of gigapixel WSIs, existing Multiple Instance Learning (MIL) methods typically focus on identifying salient instances via attention mechanisms. However, this leads to a bias towards easy-to-classify instances while neglecting challenging ones. Recent studies have shown that hard examples are crucial for accurately modeling discriminative boundaries. Applying such an idea at the instance level, we elaborate a novel MIL framework with masked hard instance mining (MHIM-MIL), which utilizes a Siamese structure with a consistency constraint to explore the hard instances. Using a class-aware instance probability, MHIM-MIL employs a momentum teacher to mask salient instances and implicitly mine hard instances for training the student model. To obtain diverse, non-redundant hard instances, we adopt large-scale random masking while utilizing a global recycle network to mitigate the risk of losing key features. Furthermore, the student updates the teacher using an exponential moving average, which identifies new hard instances for subsequent training iterations and stabilizes optimization. Experimental results on cancer diagnosis, subtyping, survival analysis tasks, and 12 benchmarks demonstrate that MHIM-MIL outperforms the latest methods in both performance and efficiency. The code is available at: https://github.com/DearCaat/MHIM-MIL.