GRASP：基于图结构的全切片图像金字塔表示
计算机视觉与模式识别
2025-04-21 v2
摘要
癌症亚型诊断是数字病理学中最具挑战性的任务之一，多实例学习（MIL）通过处理全切片图像（WSI）的巨幅图像受到近期研究的关注。然而，MIL方法未充分利用WSI中包含的跨层级和同层级信息。本文提出GRASP，一种轻量级图结构多层级框架，用于数字病理学中的WSI处理。该方法旨在动态模拟病理科学家处理WSI的行为，受益于WSI的层次结构。GRASP引入基于收敛的节点聚合机制，取代传统的池化机制，在平衡准确率方面显著优于领先方法，同时在参数数量上显著小于最接近性能的领先模型。我们的实验结果表明，GRASP在动态寻找和利用不同层级进行亚型诊断方面具有有效性，跨不同超参数表现稳定可靠，能够从不同骨干网络中泛化使用特征。该模型的行为已由两位专职病理科学家评估，确认其可解释性。我们还提供了理论依据，以及实证证据，解释GRASP如何与图中不同层级和节点交互以做出预测。我们相信，GRASP的强大特性与简单结构将鼓励开发可解释的、基于结构的WSI表示方法。数据和代码可在 https://github.com/AIMLab-UBC/GRASP 找到。
引用
@article{arxiv.2402.03592,
title = {GRASP: GRAph-Structured Pyramidal Whole Slide Image Representation},
author = {Ali Khajegili Mirabadi and Graham Archibald and Amirali Darbandsari and Alberto Contreras-Sanz and Ramin Ebrahim Nakhli and Maryam Asadi and Allen Zhang and C. Blake Gilks and Peter Black and Gang Wang and Hossein Farahani and Ali Bashashati},
journal= {arXiv preprint arXiv:2402.03592},
year = {2025}
}
备注
Accepted in Learning Meaningful Representations of Life (LMRL) Workshop at ICLR 2025