2024的WSI分类。
Multiple Instance Learning Framework with Masked Hard Instance Mining for Whole Slide Image Classification （ICCV2024）
由于阳性组织只占 Gi- gapixel WSI 的一小部分，因此现有的 MIL 方法直观上侧重于通过注意力机制识别突出实例。然而，这会导致偏向于易于分类的实例，而忽略难以分类的实例。一些文献显示，难以分类的实例有利于准确地建立判别边界模型。通过在实例层面应用这种想法，我们详细阐述了一种新型的 MIL 框架，该框架采用带有一致性约束的连体结构（教师-学生）来挖掘潜在的硬实例（MHIM-MIL）。MHIM-MIL 采用基于注意力分数的多种实例掩蔽策略，利用一个模数教师来隐式挖掘硬实例，用于训练学生模型，而学生模型可以是任何基于注意力的 MIL 模型。
Feature Re-Embedding: Towards Foundation Model-Level Performance in Computational Pathology （CVPR 2024）
多实例学习（MIL）是计算病理学中应用最广泛的框架，包括亚型、诊断、预后等。然而，当前的 MIL 范例通常需要离线实例特征提取器，如预训练的 ResNet 或查找模型。这种方法缺乏在特定下游任务中对特征进行微调的能力，从而限制了其适应性和性能。为解决这一问题，我们提出了一种重新嵌入区域转换器（Re-embedded Regional Transformer，R2T），用于在线重新嵌入实例特征，它可以捕捉细粒度的局部特征，并在不同区域之间建立连接。与现有的专注于预先训练功能强大的特征提取器或设计复杂的实例聚合器的工作不同，R2T 专门用于在线重新嵌入实例特征
MambaMIL: Enhancing Long Sequence Modeling with Sequence Reordering in Computational Pathology（arivx 2024）
Mamba做的，不做评价。
MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models （arivx 2024）
Mamba+TransMIL的魔改，不做评价，列出来仅仅是因为用的是比较火的Mamba。实验做得不太能让人信服。
待更新。。。
![AI论文速读 |<span style='color:red;'>2024</span>[TPAMI]【<span style='color:red;'>综述</span>】自监督学习在时间序列<span style='color:red;'>分析</span>的<span style='color:red;'>分类</span>、进展与展望](https://img-blog.csdnimg.cn/img_convert/4846973252d2aaff086a1467353d9428.png)
![[react优化] 避免组件或数据多次渲染/计算](https://img-blog.csdnimg.cn/direct/04542a837f604cd7bc7f28cd13ba1194.png)
