FOCUS：面向少样本全切片图像分类的知识增强自适应视觉压缩
计算机视觉与模式识别
2025-03-21 v2 人工智能
定量方法
摘要
少样本学习是计算病理学（CPath）中癌症诊断的关键解决方案，旨在解决数据稀缺的根本性限制，尤其是专家标注稀缺和患者隐私受限的问题。在这一范式下，一个关键挑战源于训练全切片图像（WSI）的有限数据集与其包含大量切片块之间的巨大差异，其中相当大比例的切片块缺乏诊断相关信息，可能稀释模型学习和聚焦于关键诊断特征的能力。尽管近期研究尝试通过纳入额外知识来解决此问题，但仍存在若干关键缺口：（1）尽管强大的病理基础模型（FMs）已出现，但其潜力仍 largely 未被充分挖掘，大多数方法仅限于基本特征提取；（2）当前的语言引导机制试图同时将文本提示与大量WSI切片块对齐，难以利用丰富的病理语义信息。为此，我们引入知识增强的自适应视觉压缩框架，称为FOCUS，独特地将病理FMs与语言先验知识相结合，实现对诊断相关区域的聚焦分析，通过优先考虑判别性WSI切片块来实现此目标。我们的方法实施了渐进式三阶段压缩策略：我们首先利用FMs进行全局视觉冗余消除，并将压缩特征与语言提示集成用于语义相关性评估，然后进行邻域感知的视觉token过滤，同时保持空间连贯性。在覆盖 breast、lung和ovarian癌症的病理数据集上进行的广泛实验表明，其在少样本病理诊断中表现出优异性能。代码可在https://github.com/dddavid4real/FOCUS/获取。
引用
@article{arxiv.2411.14743,
title = {FOCUS: Knowledge-enhanced Adaptive Visual Compression for Few-shot Whole Slide Image Classification},
author = {Zhengrui Guo and Conghao Xiong and Jiabo Ma and Qichen Sun and Lishuang Feng and Jinzhuo Wang and Hao Chen},
journal= {arXiv preprint arXiv:2411.14743},
year = {2025}
}
备注
Accepted by CVPR'2025