Tam slayt görüntülerinin (WSI'ler) histopatolojik analizi, kanser tanısında kritik bir rol oynar ve çoklu örnek öğrenme (MIL), zayıf denetim altında WSI analizi için yaygın olarak benimsenir. Yeni tümör alt tipleri tanıtıldıkça, mevcut MIL modellerinin genişletilmesi, daha önce öğrenilenlerin bilgisini korurken yeni sınıfların öğrenilmesini gerektirir. Bu, modellerin geçmiş eğitim verilerine sınırlı erişime sahip yeni sınıflar edinmesi ve çıkarımda görev tanımlayıcıları olmayan tüm öğrenilen sınıfları tanıması gereken, sınıf artımlı bir öğrenme zorluğunu ortaya koyuyor.
- Tam slayt görüntülerinin (WSI'ler) histopatolojik analizi, kanser tanısında kritik bir rol oynar ve çoklu örnek öğrenme (MIL), zayıf denetim altında WSI analizi için yaygın olarak benimsenir.
- Yeni tümör alt tipleri tanıtıldıkça, mevcut MIL modellerinin genişletilmesi, daha önce öğrenilenlerin bilgisini korurken yeni sınıfların öğrenilmesini gerektirir.
- Bu, modellerin geçmiş eğitim verilerine sınırlı erişime sahip yeni sınıflar edinmesi ve çıkarımda görev tanımlayıcıları olmayan tüm öğrenilen sınıfları tanıması gereken, sınıf artımlı bir öğrenme zorluğunu ortaya koyuyor.
Tam slayt görüntülerinin (WSI'ler) histopatolojik analizi, kanser tanısında kritik bir rol oynar ve çoklu örnek öğrenme (MIL), zayıf denetim altında WSI analizi için yaygın olarak benimsenir.
02 Özet
Tam slayt görüntülerinin (WSI'ler) histopatolojik analizi, kanser tanısında kritik bir rol oynar ve çoklu örnek öğrenme (MIL), zayıf denetim altında WSI analizi için yaygın olarak benimsenir. Yeni tümör alt tipleri tanıtıldıkça, mevcut MIL modellerinin genişletilmesi, daha önce öğrenilenlerin bilgisini korurken yeni sınıfların öğrenilmesini gerektirir. Bu, modellerin geçmiş eğitim verilerine sınırlı erişime sahip yeni sınıflar edinmesi ve çıkarımda görev tanımlayıcıları olmayan tüm öğrenilen sınıfları tanıması gereken, sınıf artımlı bir öğrenme zorluğunu ortaya koyuyor. Özellik toplama ve tahmin modüllerindeki güncellemeler, daha önce öğrenilen sınıfların performansını düşürebileceğinden, en büyük engel unutmadır. Bu zorluğun üstesinden gelmek için, sınıf başına birden fazla öğrenilebilir sorguyu paylaşılan bir tahmin modülüyle birleştiren, sınıf artımlı bir WSI çerçevesi olan textbf{EviSlide-MIL}'yi öneriyoruz. Sorgular dondurulmuş yama özelliklerini sınıfa özgü temsiller halinde toplarken, paylaşılan tahmin modülü artımlı aşamalar boyunca parametre büyümesini sınırlar. EviSlide-MIL, önceden öğrenilen sınıflarla ilişkili sorguları dondurarak aynı girdilere yönelik dikkat modellerini korurken, deneyim tekrarı ve bilginin ayrıştırılması, paylaşılan parametreler güncellendiğinde unutmayı daha da azaltır. Kanser Genomu Atlası'ndaki sekiz tümör alt tipi üzerinde yapılan deneyler, EviSlide-MIL'in çoğu öğrenme ortamındaki rakip yöntemlerle karşılaştırıldığında gelişmiş performans ve daha az unutma sağladığını ortaya koyuyor; bu da onun ölçeklenebilir ve bilgiyi koruyan WSI sınıflandırması potansiyelini ortaya koyuyor. Kod ve önceden eğitilmiş modeller piyasaya sürülecek.
Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.
Histopathological analysis of whole-slide images (WSIs) plays a critical role in cancer diagnosis, and multiple instance learning (MIL) is widely adopted for WSI analysis under weak supervision. As new tumor subtypes are introduced, extending existing MIL models requires learning new classes while retaining knowledge of previously learned ones. This presents a class-incremental learning challenge, where models must acquire new classes with limited access to historical training data and recognize all learned classes without task identifiers at inference. A major obstacle is forgetting, as updates to feature aggregation and prediction modules can degrade performance on previously learned classes. To address this challenge, we propose textbf{EviSlide-MIL}, a class-incremental WSI framework that integrates multiple learnable queries per class with a shared prediction module. The queries aggregate frozen patch features into class-specific representations, while the shared prediction module limits parameter growth across incremental stages. By freezing queries associated with previously learned classes, EviSlide-MIL preserves their attention patterns for identical inputs, while experience replay and knowledge distillation further mitigate forgetting as shared parameters are updated. Experiments on eight tumor subtypes from The Cancer Genome Atlas demonstrate that EviSlide-MIL achieves improved performance and reduced forgetting compared with competing methods across most learning settings, demonstrating its potential for scalable and knowledge-preserving WSI classification. Code and pretrained models will be released.
03 PDF
Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.
04 Kaynak göster
@article{qian2026evislidemil,
title = {EviSlide-MIL: Multi-Query Pooling and Shared Prediction for Class-Incremental Whole-Slide Image Classification},
author = {Zhouhan Qian and Sicheng Chen and Chad Wong and Tianyi Zhang and Enhui Chai and Zeyu Liu and Fei Xia},
journal = {arXiv preprint arXiv:2611.23212},
year = {2026},
url = {https://arxiv.org/abs/2611.23212}
}
Qian, Z., Chen, S., Wong, C., Zhang, T., Chai, E., Liu, Z., & Xia, F. (2026). EviSlide-MIL: Sınıf Artımlı Tam Slayt Görüntü Sınıflandırması için Çoklu Sorgu Havuzu ve Paylaşımlı Tahmin. arXiv. https://arxiv.org/abs/2611.23212
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın