IKD MIL
Enhancing Weakly-Supervised Histopathology Image Segmentation with Knowledge Distillation on MIL-Based Pseudo-Labels
data: CAMELYON16、DigestPath2019
引言
把 MIL 产生的分割结果作为伪掩码，通过迭代融合与师生角色交换进行知识蒸馏，减轻伪标签噪声积累，服务弱监督病理分割。
方法
（1）初始伪掩码：由 MIL 模型提供弱监督分割结果作为教师信号。
（2）融合蒸馏：让学生学习教师的综合预测，减轻单一伪标签噪声。
（3）迭代交换：周期性交换师生角色，并用加权交叉熵控制学习重点。
原文Fig. 3，PDF 第 6 页。
实验
实验设置
以弱标签训练分割，报告 F1、IoU、Hausdorff Distance；Adam 初始学习率为 5e-5，重复三次实验。
主要结果
主表比较多种弱监督分割方法，另一表把迭代蒸馏接入不同 MIL 分割基线，验证其可组合性。
消融与讨论
考察融合蒸馏目标和权重 a；主实验使用 a=0.25，师生参数每 30 epochs 交换。
参考文献
Enhancing Weakly-Supervised Histopathology Image Segmentation with Knowledge Distillation on MIL-Based Pseudo-Labels