基于可变形注意力的组织病理全切片图像分析图表示学习
计算机视觉与模式识别
2025-08-08 v1
摘要
Whole Slide Images (WSIs) 和 Regions of Interest (ROIs) 的精准分类是计算病理学中的一项基本挑战。虽然主流方法常采用多实例学习 (MIL)，但难以捕捉组织结构之间的空间依赖关系。图神经网络 (GNN) 作为建模实例间关系的解决方案，虽然涌现出来，但大多依赖静态图拓扑，忽略组织病理块的物理空间位置。此外，传统注意力机制缺乏针对性，限制了其针对结构相关区域的关注能力。本文提出一种 novel GNN 框架，集成可变形注意力进行病理图像分析。我们基于病理块特征构建动态加权有向图，其中每个节点通过注意力加权边聚合来自邻居的上下文信息。具体而言，我们引入可学习的空间偏移量，依据每个病理块的实际坐标，使模型能够在整块滑板上适应性地注意力聚焦于形态学相关区域。该设计显著增强了上下文场域，同时保持空间特异性。我们的框架在四个基准数据集上实现了最先进的性能（TCGA-COAD、BRACS、胃肠溢液分级和结肠 ROI 分类），展示了可变形注意力在捕捉 WSIs 和 ROIs 中复杂空间结构的强大能力。
引用
@article{arxiv.2508.05382,
title = {Deformable Attention Graph Representation Learning for Histopathology Whole Slide Image Analysis},
author = {Mingxi Fu and Xitong Ling and Yuxuan Chen and Jiawen Li and fanglei fu and Huaitian Yuan and Tian Guan and Yonghong He and Lianghui Zhu},
journal= {arXiv preprint arXiv:2508.05382},
year = {2025}
}