ConStruct：用于基于原型的弱监督组织病理学分割的基础模型结构蒸馏
计算机视觉与模式识别
2025-12-12 v1
摘要
组织病理学中的弱监督语义分割 (WSSS) 严重依赖分类主干网络，然而这些模型通常只能定位最具区分度的区域，难以捕获组织结构的完整空间范围。诸如 CONCH 之类的视觉-语言模型提供了丰富的语义对齐和形态感知表示，而诸如 SegFormer 之类的现代分割主干网络则保留了细粒度的空间线索。然而，结合这些互补的优势仍然具有挑战性，尤其是在弱监督且没有密集标注的情况下。我们提出了一个用于组织病理学图像 WSSS 的原型学习框架，该框架集成了来自 CONCH 的形态感知表示、来自 SegFormer 的多尺度结构线索以及文本引导的语义对齐，以生成同时具有语义区分性和空间一致性的原型。为了有效利用这些异构源，我们引入了文本引导的原型初始化，该初始化结合了病理学描述以生成更完整和语义准确的伪掩码。结构蒸馏机制从 SegFormer 转移空间知识，以在原型学习期间保留细粒度的形态模式和局部组织边界。我们的方法无需像素级标注即可产生高质量的伪掩码，提高了定位完整性，并增强了跨组织类型的语义一致性。在 BCSS-WSSS 数据集上的实验表明，我们的原型学习框架优于现有的 WSSS 方法，同时通过冻结的基础模型主干网络和轻量级可训练适配器保持了计算效率。
引用
@article{arxiv.2512.10316,
title = {ConStruct: Structural Distillation of Foundation Models for Prototype-Based Weakly Supervised Histopathology Segmentation},
author = {Khang Le and Ha Thach and Anh M. Vu and Trang T. K. Vo and Han H. Huynh and David Yang and Minh H. N. Le and Thanh-Huy Nguyen and Akash Awasthi and Chandra Mohan and Zhu Han and Hien Van Nguyen},
journal= {arXiv preprint arXiv:2512.10316},
year = {2025}
}