CrossFusion：一种用于癌症生存预测的多尺度交叉注意力卷积融合模型
图像与视频处理
2025-03-05 v1 计算机视觉与模式识别
摘要
由于全切片图像（WSIs）尺寸大、形状不规则且粒度高，从其中进行癌症生存预测是计算病理学中的一项具有挑战性的任务。这些特征使得捕捉从细微的细胞异常到复杂的组织相互作用的全谱模式变得困难，而这些模式对于准确预后至关重要。为了解决这一问题，我们提出了 CrossFusion，这是一种新颖的多尺度特征整合框架，可从不同放大倍数级别的图像块中提取并融合信息。通过有效地建模尺度特定模式及其相互作用，CrossFusion 生成了丰富的特征集，从而提高了生存预测的准确性。我们在来自公共数据集的六种癌症类型上验证了该方法，结果表明其相较于现有的 SOTA 方法有显著提升。此外，当与领域特定的特征提取骨干网络结合使用时，与通用骨干网络相比，我们的方法在预后性能上表现出进一步的提升。源代码可在以下网址获取：https://github.com/RustinS/CrossFusion
引用
@article{arxiv.2503.02064,
title = {CrossFusion: A Multi-Scale Cross-Attention Convolutional Fusion Model for Cancer Survival Prediction},
author = {Rustin Soraki and Huayu Wang and Joann G. Elmore and Linda Shapiro},
journal= {arXiv preprint arXiv:2503.02064},
year = {2025}
}