面向 MIDOG 2025 Track 2 的病理基础模型集成：Atypical Mitosis 分类
图像与视频处理
2025-09-19 v3 人工智能
计算机视觉与模式识别
摘要
细胞分裂象被划分为典型和异常变异，其中异常计数与肿瘤恶性程度密切相关。准确区分对于患者预后评估和资源分配至关重要，但即使是专家病理学家也难以实现。本文我们利用了在大型组织病理学数据集上预训练的病理基础模型（Pathology Foundation Models, PFMs），并通过低秩适配应用参数高效微调。此外，我们采用了卷积神经网络架构 ConvNeXt V2，以补充 PFMs。在训练期间，我们采用鱼眼变换以强调细胞分裂象，并使用基于 ImageNet 目标图像的傅里叶域适应。最后，我们集成了多个 PFMs 以整合互补的形态学见解，在Preliminary Evaluation Phase数据集上实现了竞争性的平衡准确率。
关键词
引用
@article{arxiv.2509.02591,
title = {Ensemble of Pathology Foundation Models for MIDOG 2025 Track 2: Atypical Mitosis Classification},
author = {Mieko Ochi and Bae Yuan},
journal= {arXiv preprint arXiv:2509.02591},
year = {2025}
}