CRISP -- 基于聚类的路径学案例表示与检索的冗余减少实例采样
计算机视觉与模式识别
2026-05-26 v1 人工智能
信息检索
摘要
数字病理档案中每个案例包含多个全切片图像（WSIs），这些图像捕获了空间上不同的肿瘤区域，反映了内在形态异质性。然而，大多数现有方法仅依赖单个病理学家选取的切片，从而丢弃了分布在剩余 WSIs 上的可能有信息的证据。迄今为止尚未提出用于全面多 WSIs 案例处理的自主框架。本文我们提出一种用于案例级分析的无监督框架，将来自单个案例所有可用切片的信息整合在一起。该方法通过选择性提炼跨 WSIs 中有信息的切片，构建案例级表示。我们引入基于聚类的冗余减少实例采样用于路径学（CRISP），是一个两个阶段的框架，首先在单个 WSIs 内减少冗余，然后应用聚类基于采样以选择整个案例的紧凑且具代表性的切片集合。 resulting patch set 在避免对 Gigapixel 图像进行穷尽性处理的同时捕获案例级异质性，直接作为检索索引使用。使用两套 Mayo Clinic 乳腺癌数据集用于诊断和治疗计划，我们展示 CRISP 在患者/案例搜索和检索方面始终匹配或超越当前标准做法（结合模型和病理学家切片选择）。通过自动化案例级处理和消除主观 WSIs 选择，CRISP 可能使我们能够利用当前被忽视的跨多个 WSIs 中临床相关信息。
引用
@article{arxiv.2605.24253,
title = {CRISP -- Clustering-Based Redundancy-Reduced Instance Sampling for Pathology Case Representation and Retrieval},
author = {Zahra Rahimi Afzal and Wataru Uegami and Saghir Alfasly and Saba Yasir and Judy C. Boughey and Matthew P. Goetz and Krishna R. Kalari and H. R. Tizhoosh},
journal= {arXiv preprint arXiv:2605.24253},
year = {2026}
}