HyperPath：面向组织学分析的知识引导的超bolic 语义层次建模
计算机视觉与模式识别
2025-07-01 v3
摘要
组织学是癌症诊断的关键手段，多实例学习（MIL）广泛用于全切片图像（WSI）分析。WSI 具有天然的层次结构——切片、区域和切片——具有不同的语义关联。虽然一些方法试图利用这一层次结构以提高表征，但主要依赖欧几里得嵌入，难以充分捕捉语义层次。为此，我们提出了 HyperPath 方法，将文本描述的知识整合到 WSIs 的超bolic 语义层次建模中，以增强 WSI 分类性能。我们的方案适应由组织学视觉语言基础模型提取的视觉和文本特征至超bolic 空间。我们设计了角度模态对齐损失以确保跨模态对齐的稳健性，而语义层次一致性损失则通过包含和矛盾关系进一步细化特征层次，从而增强语义连贯性。分类采用测度距离进行，衡量实体在超bolic 语义层次中的相似性。这一特性无需线性分类器，实现了几何感知的 WSI 分析方法。大量实验表明，我们的方法在任务上优于现有方法，凸显了超bolic 嵌入在组织学分析中的潜力。
引用
@article{arxiv.2506.16398,
title = {HyperPath: Knowledge-Guided Hyperbolic Semantic Hierarchy Modeling for WSI Analysis},
author = {Peixiang Huang and Yanyan Huang and Weiqin Zhao and Junjun He and Lequan Yu},
journal= {arXiv preprint arXiv:2506.16398},
year = {2025}
}