Apprentissage Multi-Instance Profond avec Auto-Attention Induite pour la Classification d'Images Médicales

Les méthodes d'apprentissage multi-instance (MIL) existantes pour la classification d'images médicales segmentent généralement une image (sac) en petits patches (instances) et apprennent un classificateur pour prédire l'étiquette d'un sac inconnu. La plupart de ces méthodes supposent que les instances au sein d'un sac sont indépendamment et identiquement distribuées. Cependant, les instances dans le même sac interagissent souvent entre elles. Dans cet article, nous proposons une méthode d'apprentissage multi-instance profond basée sur l'auto-attention induite qui utilise le mécanisme d'auto-attention pour apprendre les informations de structure globale à l'intérieur d'un sac. Pour alléger la complexité computationnelle de l'implémentation naïve de l'auto-attention, nous introduisons un schéma basé sur des points d'induction dans le bloc d'auto-attention. Nous montrons empiriquement que la méthode proposée est supérieure à d'autres méthodes d'apprentissage MIL profond en termes de performance et d'interprétabilité sur trois ensembles de données d'images médicales. Nous employons également un ensemble de données MIL synthétique pour fournir une analyse intensive de l'efficacité de notre méthode. Les résultats expérimentaux révèlent que le mécanisme d'auto-attention induite peut apprendre des caractéristiques très discriminantes et différentes pour les instances cibles et non cibles au sein d'un sac, et s'adapte ainsi à des problèmes MIL plus généralisés.