在基于全切片图像的生存分析中比较 ImageNet 预训练与数字病理学基础模型
图像与视频处理
2025-08-05 v4 计算机视觉与模式识别
摘要
全切片图像（WSI）中包含的丰富信息使其成为生存分析的重要工具。为该任务提出的多个多示例学习框架利用了在自然图像上预训练的 ResNet50 主干网络。通过利用最近发布的组织病理学基础模型（如 UNI 和 Hibou），可以增强现有 MIL 网络的预测能力。此外，部署数字病理学基础模型的集成可获得更高的基线准确率，尽管随着 MIL 架构变得更复杂，这种收益似乎会递减。我们的代码将在论文被接受后公开发布。
引用
@article{arxiv.2405.17446,
title = {Comparing ImageNet Pre-training with Digital Pathology Foundation Models for Whole Slide Image-Based Survival Analysis},
author = {Kleanthis Marios Papadopoulos and Tania Stathaki},
journal= {arXiv preprint arXiv:2405.17446},
year = {2025}
}
备注
Accepted (Oral) at the 6th International Conference on Computer Vision and Information Technology (CVIT 2025)