Beyond Linearity: Squeeze-and-Recalibrate Blocks for Few-Shot Whole Slide Image Classification
Created by
Haebom
저자
Conghao Xiong, Zhengrui Guo, Zhe Xu, Yifei Zhang, Raymond Kai-Yu Tong, Si Yong Yeo, Hao Chen, Joseph J. Y. Sung, Irwin King
개요
본 논문은 컴퓨터 병리학에서 전문가 주석의 부족 문제를 해결하기 위해, 적은 데이터로 학습하는 few-shot learning 기법 중 하나인 few-shot multiple instance learning (MIL) 모델의 효율성을 높이는 새로운 방법을 제안합니다. 기존 few-shot MIL 접근 방식은 사전 훈련된 vision-language 모델을 활용하지만, 전처리 과정이 복잡하고 계산 비용이 높다는 단점이 있습니다. 이를 해결하기 위해, 본 논문은 기존 MIL 모델의 선형 레이어를 대체할 수 있는 Squeeze-and-Recalibrate (SR) 블록을 제안합니다. SR 블록은 매개변수 수를 줄이고 잘못된 특징 학습을 방지하는 압축 경로(SP)와 기하학적 구조를 유지하고 특징 방향을 다양화하며 SP의 최적화 목표를 재정의하는 고정된 무작위 재조정 행렬로 구성됩니다. 본 논문에서는 SR 블록이 임의의 정밀도로 모든 선형 매핑을 근사할 수 있다는 이론적 보장을 제공하며, 광범위한 실험을 통해 SR-MIL 모델이 기존 방법보다 성능이 우수하고 매개변수 수가 훨씬 적으며 아키텍처 변경이 필요 없음을 보여줍니다.
