基于傅里叶变换的多实例学习用于全切片图像分类
计算机视觉与模式识别
2025-10-22 v2
摘要
全切片图像 (WSI) 分类依赖于多实例学习 (MIL) 采用空间切片特征，但现有方法因 WSIs 巨大的尺寸和切片嵌入的局部性，难以捕获全局依赖关系。这一局限阻碍了对稳健诊断预测所必需的粗粒度结构建模。我们提出傅里叶变换多实例学习 (FFT-MIL)，该框架通过频率域分支增强 MIL，以提供紧凑的全局上下文。通过快速傅里叶变换从 WSIs 中提取低频作物，并通过由卷积层和最小-最大归一化组成的模块化 FFT-Block 处理，以减轻频率数据高方差。学习到的全局频率特征通过轻量级集成策略与空间切片特征融合，实现与多样化 MIL 架构的兼容性。在三个公开数据集 (BRACS、LUAD 和 IMP) 上评估了 FFT-MIL 集成的 FFT-Block 平均将宏 F1 分数提高 3.51%，AUC 提升 1.51%，在不同架构和数据集之间表现出一致的提升。这些结果表明，频率域学习是捕获 WSIs 分类中全局依赖关系的有效且高效的机制，补充空间特征，推动了基于 MIL 的计算病理学的可扩展性和准确性。
引用
@article{arxiv.2510.15138,
title = {Fourier Transform Multiple Instance Learning for Whole Slide Image Classification},
author = {Anthony Bilic and Guangyu Sun and Ming Li and Md Sanzid Bin Hossain and Yu Tian and Wei Zhang and Laura Brattain and Dexter Hadley and Chen Chen},
journal= {arXiv preprint arXiv:2510.15138},
year = {2025}
}