多尺度金字塔网络：实现全切片图像的渐进分析
计算机视觉与模式识别
2026-02-03 v1
摘要
多实例学习（Multiple-Instance Learning, MIL）常用于计算病理学任务，多尺度切片可学习跨尺度的多样化特征。以往研究依赖于多尺度特征在临床应用中通过多输入（不同放大倍数）实现晚期特征融合——这种做法未能保留跨尺度特征间的关联，且输入依赖于任意且制造商定义的放大倍数，缺乏灵活性且计算开销大。本文提出多尺度金字塔网络（Multi-scale Pyramidal Network, MSPN），其可无缝集成注意力机制基座方法，引入全切片图像的渐进多尺度分析。MSPN 包含：(1) 基于网格的重映射——利用高放大倍数特征推导粗糙特征；(2) 粗略引导网络（Coarse Guidance Network, CGN）——学习粗略语境。我们将 MSPN 作为附加模块集成到 4 个注意力基座框架中，评估于 3 种基础模型及预训练 MIL 框架下的 4 个临床相关任务。结果表明，MSPN 在各配置与任务中均显著提升 MIL 性能，同时保持轻量级且易于部署。
引用
@article{arxiv.2602.01951,
title = {Enabling Progressive Whole-slide Image Analysis with Multi-scale Pyramidal Network},
author = {Shuyang Wu and Yifu Qiu and Ines P. Nearchou and Sandrine Prost and Jonathan A Fallowfield and Hakan Bilen and Timothy J Kendall},
journal= {arXiv preprint arXiv:2602.01951},
year = {2026}
}