基于图拉普拉斯的 Transformer 用于前列腺癌分级，结合渐进抽样
计算机视觉与模式识别
2025-12-12 v1
摘要
从全切片图像（WSI）中进行前列腺癌分级仍是一个具有挑战性的任务，原因在于 WSI 的大规模、组织结构的异质性以及难以选择诊断相关区域的存在。现有方法常依赖随机或静态的补丁选择，导致包含冗余或非信息性区域，从而影响性能。为解决此问题，我们提出了基于图拉普拉斯注意力的 Transformer（GLAT），并集成了迭代细化模块（IRM），以增强特征学习和空间一致性。IRM 利用预训练的 ResNet50 提取局部特征，并通过无梯度模式下的基础模型对重要性进行评分，从而迭代细化补丁选择，确保仅保留最相关的组织区域。GLAT 通过构建图结构，其中补丁作为节点，利用图拉普拉斯约束确保空间一致性，并通过可学习的滤波机制细化特征表示，以增强判别性组织结构。此外，一个凸聚合机制动态调整补丁的重要性，以生成稳健的 WSI 级表示。广泛的实验在五个公开数据集和一个私有数据集上表明，我们的方法在性能、空间一致性方面均优于最先进的方法，同时保持计算效率。
关键词
引用
@article{arxiv.2512.10808,
title = {Graph Laplacian Transformer with Progressive Sampling for Prostate Cancer Grading},
author = {Masum Shah Junayed and John Derek Van Vessem and Qian Wan and Gahie Nam and Sheida Nabavi},
journal= {arXiv preprint arXiv:2512.10808},
year = {2025}
}
备注
International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI) 2025