Buchumschlag

Mamba2MIL: State Space Duality Based Multiple Instance Learning for Computational Pathology

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Yuqi, Zhang, Xiaoqian, Wang, Jiakai, Yang, Yuancheng, Peng, Taiying, Tong, Chao
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

HookMIL: Revisiting Context Modeling in Multiple Instance Learning for Computational Pathology
von: Ling, Xitong, et al.
Veröffentlicht: (2025)

MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models
von: Fang, Zijie, et al.
Veröffentlicht: (2024)

MIL-PF: Multiple Instance Learning on Precomputed Features for Mammography Classification
von: Jovišić, Nikola, et al.
Veröffentlicht: (2026)

FMaMIL: Frequency-Driven Mamba Multi-Instance Learning for Weakly Supervised Lesion Segmentation in Medical Images
von: Cheng, Hangbei, et al.
Veröffentlicht: (2025)

MambaMIL: Enhancing Long Sequence Modeling with Sequence Reordering in Computational Pathology
von: Yang, Shu, et al.
Veröffentlicht: (2024)

GAS-MIL: Group-Aggregative Selection Multi-Instance Learning for Ensemble of Foundation Models in Digital Pathology Image Analysis
von: Quan, Peiran, et al.
Veröffentlicht: (2025)

SAC-MIL: Spatial-Aware Correlated Multiple Instance Learning for Histopathology Whole Slide Image Classification
von: Bai, Yu, et al.
Veröffentlicht: (2025)

GCE-MIL: Faithful and Recoverable Evidence for Multiple Instance Learning in Whole-Slide Imaging
von: Li, Xiangyu, et al.
Veröffentlicht: (2026)

ReaMIL: Reasoning- and Evidence-Aware Multiple Instance Learning for Whole-Slide Histopathology
von: Jung, Hyun Do, et al.
Veröffentlicht: (2026)

SemaMIL: Semantic-Aware Multiple Instance Learning with Retrieval-Guided State Space Modeling for Whole Slide Images
von: Gan, Lubin, et al.
Veröffentlicht: (2025)

Reducing Variability of Multiple Instance Learning Methods for Digital Pathology
von: Mammadov, Ali, et al.
Veröffentlicht: (2025)

SC-MIL: Sparsely Coded Multiple Instance Learning for Whole Slide Image Classification
von: Qiu, Peijie, et al.
Veröffentlicht: (2023)

Mamba-MOC: A Multicategory Remote Object Counting via State Space Model
von: Liu, Peng, et al.
Veröffentlicht: (2025)

Milmer: a Framework for Multiple Instance Learning based Multimodal Emotion Recognition
von: Wang, Zaitian, et al.
Veröffentlicht: (2025)

Self-Supervision Enhances Instance-based Multiple Instance Learning Methods in Digital Pathology: A Benchmark Study
von: Mammadov, Ali, et al.
Veröffentlicht: (2025)

Rethinking Attention-Based Multiple Instance Learning for Whole-Slide Pathological Image Classification: An Instance Attribute Viewpoint
von: Cai, Linghan, et al.
Veröffentlicht: (2024)

SimMIL: A Universal Weakly Supervised Pre-Training Framework for Multi-Instance Learning in Whole Slide Pathology Images
von: Song, Yicheng, et al.
Veröffentlicht: (2025)

S$^2$Mamba: A Spatial-spectral State Space Model for Hyperspectral Image Classification
von: Wang, Guanchun, et al.
Veröffentlicht: (2024)

LadderMIL: Multiple Instance Learning with Coarse-to-Fine Self-Distillation
von: Wu, Shuyang, et al.
Veröffentlicht: (2025)

RetMIL: Retentive Multiple Instance Learning for Histopathological Whole Slide Image Classification
von: Chu, Hongbo, et al.
Veröffentlicht: (2024)

PhysMamba: State Space Duality Model for Remote Physiological Measurement
von: Yan, Zhixin, et al.
Veröffentlicht: (2024)

MsaMIL-Net: An End-to-End Multi-Scale Aware Multiple Instance Learning Network for Efficient Whole Slide Image Classification
von: Wen, Jiangping, et al.
Veröffentlicht: (2025)

Detecting Domain Shift in Multiple Instance Learning for Digital Pathology Using Fréchet Domain Distance
von: Pocevičiūtė, Milda, et al.
Veröffentlicht: (2024)

MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis
von: Song, Yiran, et al.
Veröffentlicht: (2025)

MicroMIL: Graph-Based Multiple Instance Learning for Context-Aware Diagnosis with Microscopic Images
von: Kim, Jongwoo, et al.
Veröffentlicht: (2024)

xMIL: Insightful Explanations for Multiple Instance Learning in Histopathology
von: Hense, Julius, et al.
Veröffentlicht: (2024)

VSSD: Vision Mamba with Non-Causal State Space Duality
von: Shi, Yuheng, et al.
Veröffentlicht: (2024)

C$^2$MIL: Synchronizing Semantic and Topological Causalities in Multiple Instance Learning for Robust and Interpretable Survival Analysis
von: Cen, Min, et al.
Veröffentlicht: (2025)

cDP-MIL: Robust Multiple Instance Learning via Cascaded Dirichlet Process
von: Chen, Yihang, et al.
Veröffentlicht: (2024)

PSA-MIL: A Probabilistic Spatial Attention-Based Multiple Instance Learning for Whole Slide Image Classification
von: Peled, Sharon, et al.
Veröffentlicht: (2025)

WsiCaption: Multiple Instance Generation of Pathology Reports for Gigapixel Whole-Slide Images
von: Chen, Pingyi, et al.
Veröffentlicht: (2023)

Mamba-CAD: State Space Model For 3D Computer-Aided Design Generative Modeling
von: Li, Xueyang, et al.
Veröffentlicht: (2026)

WSD-MIL: Window Scale Decay Multiple Instance Learning for Whole Slide Image Classification
von: Feng, Le, et al.
Veröffentlicht: (2025)

Label-free Concept Based Multiple Instance Learning for Gigapixel Histopathology
von: Sun, Susu, et al.
Veröffentlicht: (2025)

SF-Mamba: Rethinking State Space Model for Vision
von: Yoshimura, Masakazu, et al.
Veröffentlicht: (2026)

MambaEVT: Event Stream based Visual Object Tracking using State Space Model
von: Wang, Xiao, et al.
Veröffentlicht: (2024)

QuadMamba: Learning Quadtree-based Selective Scan for Visual State Space Model
von: Xie, Fei, et al.
Veröffentlicht: (2024)

ProMIL: Probabilistic Multiple Instance Learning for Medical Imaging
von: Struski, Łukasz, et al.
Veröffentlicht: (2023)

SSMamba: A Self-Supervised Hybrid State Space Model for Pathological Image Classification
von: Chai, Enhui, et al.
Veröffentlicht: (2026)

Revisiting Data Challenges of Computational Pathology: A Pack-based Multiple Instance Learning Training Framework
von: Tang, Wenhao, et al.
Veröffentlicht: (2025)