Histopath-C：面向组织病理视觉-语言适应的真实域移基准
计算机视觉与模式识别
2026-01-21 v1
摘要
医学视觉-语言模型(VLM)在various medical imaging domains中表现突出，尤其是在组织病理图像领域，通过利用预训练的对比模型来利用视觉与文本信息。然而，组织病理图像可能存在严重的域移，包括染色、污染、模糊和噪声等，可能严重降低VLM的下游性能。本文提出Histopath-C，一个新的基准，包含用于模拟数字组织病理中观察到的真实分布移的合成性质损坏。我们的框架能够动态地对任何可用数据集应用性质损坏，并在运行时对Test-Time Adaptation(TTA)机制进行评估。我们提出LATTE，一种基于转导的低秩适应策略，利用多个文本模板，缓解组织病理VLM对多样化文本输入的敏感性。我们的方法在多样化组织病理数据集上超越了最先进的TTA方法（这些方法最初为自然图像设计），显示出我们提出的设计对于组织病理图像的稳健适应具有有效性。代码和数据可在https://github.com/Mehrdad-Noori/Histopath-C获取。
引用
@article{arxiv.2601.12493,
title = {Histopath-C: Towards Realistic Domain Shifts for Histopathology Vision-Language Adaptation},
author = {Mehrdad Noori and Gustavo Adolfo Vargas Hakim and David Osowiechi and Fereshteh Shakeri and Ali Bahri and Moslem Yazdanpanah and Sahar Dastani and Ismail Ben Ayed and Christian Desrosiers},
journal= {arXiv preprint arXiv:2601.12493},
year = {2026}
}
备注
Accepted to WACV 2026