FourierMIL
FourierMIL: Fourier Filtering-based Multiple Instance Learning for Whole Slide Image Analysis
data: CAMELYON16、TCGA-NSCLC、CPTAC；UNITE、FHS、ADC
引言
通过离散 Fourier 变换和频域滤波建模全局、局部依赖，提供无需注意力的 WSI 聚合方案，覆盖不同染色和病理任务。
方法
（1）频域变换：以离散 Fourier 表示实例特征。
（2）滤波交互：通过频域过滤学习局部与全局依赖。
（3）无注意力聚合：将更新信息汇总用于不同染色和病理任务。
原文Fig. 1，PDF 第 5 页。
实验
实验设置
涵盖 H&E 癌症任务和 AT8 神经病理任务；20×、256×256 patch，另做外部 CPTAC 评价。
主要结果
C16 相对比较方法的最低 ACC/AUC 增益为 1.9/3.0 个百分点，NSCLC 为 1.6/0.5 个百分点。
原文Table 2，PDF 第 10 页。
消融与讨论
比较频域滤波与常见注意力聚合，区分不同染色、不同组织学任务和内部/外部数据。
参考文献
FourierMIL: Fourier Filtering-based Multiple Instance Learning for Whole Slide Image Analysis