基于潜在流形压缩的组织病理图像归一化
机器学习
2026-03-02 v1 计算机视觉与模式识别
摘要
组织病理染色协议、扫描仪器以及获取流程中产生的批次效应，构成了计算病理学中的持续性挑战，阻碍了跨批次的泛化，并限制了模型在临床场景中可靠部署。在本工作中，我们引入了潜在流形压缩（Latent Manifold Compaction, LMC）方法，这是一种无监督表示学习框架，通过对 stain 引起的潜在流形进行显式压缩，学习出批次不变的嵌入表示，从而实现图像调和。这使 LMC 能够对训练期未见的目标域数据进行泛化。在三个具有挑战性的公开和内部基准数据集上进行评估，LMC 在多个数据集上显著降低了批次引起的分离，并在下游跨批次分类和检测任务中 consistently 超越了当前最先进的归一化方法，实现了优异的泛化性能。
引用
@article{arxiv.2602.24251,
title = {Histopathology Image Normalization via Latent Manifold Compaction},
author = {Xiaolong Zhang and Jianwei Zhang and Selim Sevim and Emek Demir and Ece Eksi and Xubo Song},
journal= {arXiv preprint arXiv:2602.24251},
year = {2026}
}
备注
11 pages