多尺度领域对抗多实例学习CNN(CVPR2020) 抽象的 我们提出了一种从组织病理学图像中对癌症亚型进行分类的新方法,该方法可以在给定的完整幻灯片图像(WSI)中自动检测肿瘤特有的特征。应当通过参考WSI对癌症亚型进行分类,即WSI,即整个病理组织玻片的大尺寸图像(通常为40,000x40,000像素),该图像由癌症和非癌症部分组成。一种困难来自与注解WSI中的肿瘤区域相关的高昂成本。此外,必须通过更改图像的放大倍率从WSI中提取全局和局部图像特征。此外,应针对医院/标本之间的染色条件差异,稳定地检测图像特征。在本文中,我们通过有效地结合多实例,领域对抗和多尺度学习框架,开发了一种基于CNN的癌症亚型分类新方法,以克服这些实际困难。 本文档说明了如何在ref [1]中将源代码用于多尺度域对抗多实例倾斜(MS-DA-MIL)CNN。该算法针对数字病理图像的二进制分类问题,其中每个载玻片被分