सम्पूर्ण-स्लाइड पैथोलोजिकल इमेज वर्गीकरण के लिए ध्यान-आधारित मल्टीपल इंस्टेंस लर्निंग पर पुनर्विचार: एक इंस्टेंस एट्रिब्यूट दृष्टिकोण

मल्टीपल इंस्टेंस लर्निंग (MIL) सम्पूर्ण-स्लाइड पैथोलोजिकल इमेज (WSI) विश्लेषण के लिए एक robust पैराजाइम है, जो स्लाइड-स्तरीय लेबल के साथ गीगापिक्सेल-रिज़ॉल्यूशन इमेजों को प्रोसेस करता है। प्रारंभिक प्रयासों के रूप में, ध्यान-आधारित MIL (ABMIL) और इसके रूपांतरों की विशेषताएँ क्लिनिकल निदान और ट्यूमर स्थानीयकरण को एक साथ संभालने के कारण बढ़ती लोकप्रियता प्राप्त कर रही हैं। हालाँकि, ध्यान तंत्र में उदाहरणों के बीच भेद करने में सीमाएँ होती हैं, जो अक्सर ऊतकों को गलत वर्गीकृत करती हैं और MIL प्रदर्शन को संभावित रूप से प्रभावित करती हैं। इस पत्र में, हम इन मुद्दों को संबोधित करने के लिए एक एट्रिब्यूट-ड्रिवन MIL (AttriMIL) रूपरेखा का प्रस्ताव करते हैं। विशेष रूप से, हम ABMIL की गणना प्रक्रिया का विश्लेषण करते हैं और एक एट्रिब्यूट स्कोरिंग तंत्र प्रस्तुत करते हैं जो प्रभावी ढंग से बैग भविष्यवाणी में प्रत्येक उदाहरण के योगदान को मापता है, इंस्टेंस एट्रिब्यूट को मात्राबद्ध करता है। एट्रिब्यूट मात्राकरण के आधार पर, हम स्लाइड के भीतर और पार सौजन्य के लिए एक स्थानिक एट्रिब्यूट प्रतिबंध और एक एट्रिब्यूट रैंकिंग प्रतिबंध विकसित करते हैं। ये प्रतिबंध नेटवर्क को उदाहरणों के बीच स्थानिक सह-संबंध और अर्थात्मक समानता कैप्चर करने के लिए प्रेरित करते हैं, AttriMIL की ऊतकों के प्रकारों में भेद करने और चुनौतीपूर्ण उदाहरणों की पहचान में सुधार करते हैं। इसके अतिरिक्त, AttriMIL एक हिस्टोपैथोलॉजी अनुकूलनकारी बैकबोन का उपयोग करता है जो पैथोलॉजिकल फीचर्स को इकट्ठा करने के लिए प्री-ट्रेंड मॉडल की फीचर एक्सट्रैक्शन क्षमता को अधिकतम करता है। तीन सार्वजनिक बेंचमार्क पर व्यापक प्रयोग बताते हैं कि हमारा AttriMIL मौजूदा सर्वोत्तम ढाँचों को कई मूल्यांकन मेट्रिक्स में प्रदर्शन में पीछे छोड़ देता है। कार्यान्वयन कोड https://github.com/MedCAI/AttriMIL पर उपलब्ध है।