DSAGL：用于弱监督全切片图像分类的双流注意力引导学习
计算机视觉与模式识别
2025-06-30 v2
摘要
全切片图像 (WSIs) 因其超高分辨率与丰富的语义内容对癌症诊断至关重要。然而，其庞大的数据量与有限的高质量标注给传统监督学习带来了巨大挑战。我们提出了 DSAGL (Dual-Stream Attention-Guided Learning)，这是一种结合师生架构与双流设计的新型弱监督分类框架。DSAGL 通过生成多尺度基于注意力的伪标签并引导实例级学习，显式地处理实例级模糊性与包级语义一致性。共享的轻量级编码器 (VSSMamba) 实现了高效的远程依赖建模，而融合注意力模块 (FASA) 增强了对稀疏但具诊断相关性区域的关注。我们进一步引入混合损失以强制两个流之间的相互一致性。在 CIFAR-10、NCT-CRC 和 TCGA-Lung 数据集上的实验表明，DSAGL 始终优于最先进的 MIL 基线，在弱监督下实现了卓越的判别性能与鲁棒性。
引用
@article{arxiv.2505.23341,
title = {DSAGL: Dual-Stream Attention-Guided Learning for Weakly Supervised Whole Slide Image Classification},
author = {Daoxi Cao and Hangbei Cheng and Yijin Li and Ruolin Zhou and Xuehan Zhang and Xinyi Li and Binwei Li and Xuancheng Gu and Jianan Zhang and Xueyu Liu and Yongfei Wu},
journal= {arXiv preprint arXiv:2505.23341},
year = {2025}
}