Hypergraph Mamba：用于高效全切片图像理解
计算机视觉与模式识别
2025-08-05 v2 人工智能
摘要
组织病理学中的全切片图像（WSI）因其超高分辨率、巨大规模和复杂的空间关系，给广泛的医学图像分析带来了重大挑战。尽管现有的多实例学习（MIL）方法如图神经网络（GNN）和 Transformer 展现了强大的实例级建模能力，但它们在可扩展性和计算开销方面面临限制。为克服这些局限，本文提出了 WSI-HGMamba，一个新颖框架，将超图神经网络（HGNN）的高阶关系建模能力与状态空间模型的线性时间序列建模效率相融合。本设计的核心是 HGMamba 模块，集成了消息传递、超图扫描与展平以及双向状态空间建模（Bi-SSM），使模型在保持计算效率的同时保留关系和上下文线索。与 Transformer 和图 Transformer 对应方法相比，WSI-HGMamba 以高达 7 倍的 FLOPs 减少实现了更优性能。在多个公开和私有 WSI 基准上的大量实验表明，本文方法为切片级理解提供了可扩展、准确且高效的解决方案，使其成为下一代病理 AI 系统的有前景骨干网络。
引用
@article{arxiv.2505.17457,
title = {Hypergraph Mamba for Efficient Whole Slide Image Understanding},
author = {Jiaxuan Lu and Yuhui Lin and Junyan Shi and Fang Yan and Dongzhan Zhou and Yue Gao and Xiaosong Wang},
journal= {arXiv preprint arXiv:2505.17457},
year = {2025}
}