面向组织化病理图像分析的层次分类
计算机视觉与模式识别
2026-03-03 v1
摘要
全切片图像分析是病理诊断中的关键任务，但现有深度学习方法主要依赖平坦分类，忽略类别标签之间的层次关系。本研究提出 HiClass，一种用于改进组织化病理图像分析的层次分类框架，旨在提升粗粒度和细粒度 WSI 分类性能。基于多实例学习方法构建，HiClass 通过引入双向特征集成，促进粗粒度特征表示与细粒度特征表示之间的信息交换，有效学习层次特征。此外，我们引入量身定制的损失函数，包括层次一致性损失、类内与类间距离损失以及分组交叉熵损失，进一步优化层次学习。我们在包含 4 类粗粒度类别和 14 类细粒度类别的胃活检数据集上评估了 HiClass，实现了粗粒度和细粒度分类的优异性能。这些结果表明，HiClass 在通过捕获粗粒度和细粒度组织化病理特征方面显著提升了 WSI 分类效果。
引用
@article{arxiv.2603.00504,
title = {Hierarchical Classification for Improved Histopathology Image Analysis},
author = {Keunho Byeon and Jinsol Song and Seong Min Hong and Yosep Chong and Jin Tae Kwak},
journal= {arXiv preprint arXiv:2603.00504},
year = {2026}
}