MicroMIL
MicroMIL: Graph-Based Multiple Instance Learning for Context-Aware Diagnosis with Microscopic Images
data: Seegene 结肠癌显微镜数据、BreakHis
引言
面向普通光学显微镜采集图像，以聚类和 Gumbel-Softmax 选择代表图像，再按特征相似度建图，无需绝对空间坐标。
方法
（1）RIE：以深度聚类和 hard Gumbel-Softmax 选取代表图像。
（2）相似度图：按余弦相似度连接代表节点，无需绝对坐标。
（3）图聚合：学习局部与跨图像上下文，生成患者级预测。
原文Fig. 2，PDF 第 4 页。
实验
实验设置
按患者组织图像包，并模拟冗余图像比例变化；BreakHis 含 7,909 张图像、81 位患者。
主要结果
高冗余训练/测试设置使部分基线退化，MicroMIL 在相关对照中更稳定；输入无需已知绝对空间位置。
原文Table 1，PDF 第 6 页。
消融与讨论
考察代表图像提取与相似度图聚合，并在冗余迁移实验中检验去重能力。
参考文献
MicroMIL: Graph-Based Multiple Instance Learning for Context-Aware Diagnosis with Microscopic Images
本文归入相关 MIL 方法：具体研究对象见数据与实验设置。