CLAM——论文笔记

最近看了一篇有关多示例学习的paper，题目为Data Efficient and Weakly Supervised Computational Pathologyon Whole Slide Images，对里面提出的模型比较感兴趣，特此做一下笔记。
github地址：https://github.com/mahmoodlab/CLAM
paper地址：https://arxiv.org/abs/2004.09666

笔记

这篇paper提出了一个Clustering-constrained Attention Multiple Instance Learning的模型，简称为CLAM模型，整个模型的框架图如下：

由于整篇paper对其模型框架介绍的很模糊，而且光看上面的流程图也看不明白。通过对CLAM仓库代码的研究，总算弄明白了整体模型的结构。
还是采用基于embedding的两阶段的训练方式（如果不明白什么是基于embedding，可以看我上一篇文章背景知识部分——Dual-stream multiple instance learning networks for tumor detection in Whole Slide Image——论文笔记）。

（一）特征提取部分

特征提取部分很简单，并没有采用复杂的方式，而是直接采用pytorch提供的预训练权重。仓库代码默认是采用resnet50的ImageNet预训练权重来提取特征的，这部分没什么好说的。

（二）示例分类器

示例分类器的模型结构可以简单概括为门注意力层+全连接层，整体的模型并不复杂，
训练部分可以分为以下步骤，以resnet50提取的特征为例，特征维度为1024：

1. 使用gate_attention将M×1024的特征向量转为M×1的注意力分数和M×512的特征映射。(M为一个slide中所有的patch数量)
2. 对注意力分数进行排序，取出最大最小的topk个分数对应的特征映射（topk默认设置为8）。
3. 将最大topk的标签设为1，最小topk的标签设为0，作为instance标签。
4. 对2×topk的特征映射输入N个二分类全连接层，得到N个二分类输出。（N为预测类别）
5. 计算N个二分类输出与instance标签的SmoothTop1SVM Loss（这个loss就是instance loss）。
6. 将注意力分数乘于对应的特征映射并将所有特征映射相加相加，得到512×1的特征向量。
7. 将特征向量输进去全连接层，得到bag分类结果。
8. 计算bag分类的CE Loss。（这个loss就是bag loss）
9. 总Loss定义为：bag_weight * bag_loss+(1-bag_weight)*instance_loss。（bag_weight默认是0.8）

上面介绍的是整体流程的思路，具体的模型是怎么定义的， 怎么组合的，仓库代码都有，我就不一一赘述了，都是一些很简单模型构件，并不难理解。

（三）一些细节部分

这些细节部分都是从仓库提供的源代码推出来的，并不保证一定是正确的。

1. dataloader的batch size是固定设为1。
2. 无论是二分类还是多分类问题，关于计算instance loss时候的标签都是最大topk为1，最小topk为0。
3. 仓库里面提供了两个模型，一个单分支的clam_sb，另外一个是多分支的clam_mb。 两者的区别在于：
   （1） mb计算注意力分数是计算了每个类别的分数，即N×C个分数，最后分类层也是有多少类别就有多少个全连接层，每个全连接层输出每个类别bag分数。
   （2） sb无论多少类别，计算注意力分数时都是N×1个分数，最后分类层就一个全连接层，输出为类别数。