基于 Patch-Level 和 WSI-Level 对比学习的病理图像分割领域泛化
计算机视觉与模式识别
2025-08-12 v1
摘要
本文聚焦于病理图像中的领域偏移，特别是针对整块切片图像（Whole Slide Images, WSI）内部的偏移（如患者特征和组织厚度差异），而非医院之间的偏移。传统方法依赖多医院数据，但数据收集往往不够实际。因此，本文提出的领域泛化方法通过聚类非肿瘤区域的 WSI 级特征，将这些聚类视为领域，以捕获并利用组织内领域偏移。为缓解领域偏移，本文应用对比学习以减少来自不同聚类间 WSI 配对的特征差距。该方法引入了两阶段对比学习：WSI 级和 patch 级对比学习，以有效最小化这些差距。
引用
@article{arxiv.2508.07539,
title = {Domain Generalization of Pathological Image Segmentation by Patch-Level and WSI-Level Contrastive Learning},
author = {Yuki Shigeyasu and Shota Harada and Akihiko Yoshizawa and Kazuhiro Terada and Naoki Nakazima and Mariyo Kurata and Hiroyuki Abe and Tetsuo Ushiku and Ryoma Bise},
journal= {arXiv preprint arXiv:2508.07539},
year = {2025}
}