Whole-Slide Image 分类中的拼图正则化
计算机视觉与模式识别
2026-03-24 v1
摘要
计算病理学涉及将染色组织数字化为包含数十亿像素的 whole-slide images (WSIs)，这些像素以连续的 patch 形式排列。WSIs 的统计分析主要关注通过 多个实例学习 (MIL) 的分类，其中从未标记的 patch 中推断出 slide-level 标签。大多数 MIL 方法将 patch 视为可交换的，忽略了构成组织图像的空间和拓扑结构。本工作建立在最近的图基方法之上，这些方法旨在将空间感知性质整合到 MIL 中。我们的主要贡献在于两个方面：(1) 我们采用 vision foundation-model embeddings 来在每个 patch 内整合局部空间结构，(2) 通过图神经网络结合一种 novel jigsaw regularization 实现 across-patch 空间感知。我们发现，这两种特征的组合在乳腺癌、头颈部癌症和结肠癌基准数据集上相较于最先进的注意力-based MIL 方法显著提高了分类性能。
引用
@article{arxiv.2603.20386,
title = {Jigsaw Regularization in Whole-Slide Image Classification},
author = {So Won Jeong and Veronika Ročková},
journal= {arXiv preprint arXiv:2603.20386},
year = {2026}
}