基于小波驱动的掩码自编码器：从正确片段中学习组织病理图像的表示
计算机视觉与模式识别
2025-11-20 v2
摘要
全切片图像是数字病理学的核心内容，但其巨大尺寸和稀缺标注使得无监督学习至关重要。基于Vision Transformer背板的掩码自编码器 (MAE) 近期在组织病理学表示学习方面显示出强大的潜力。然而，常规的随机补丁采样在MAE预训练过程中常包含无关或噪声区域，限制了模型捕获有意义组织模式的能力。本文提出了一个轻量且领域适应的框架，通过小波引导的补丁选择策略将结构和生物学相关性引入MAE学习中。WISE-MAE采用两阶段粗到细的过程：在低分辨率下进行小波筛选以定位结构丰富的区域，然后在高分辨率下提取进行详细建模。该方法模拟了病理学家的诊断工作流程，提高了所学表示的质量。跨多个癌症数据集（包括肺癌、肾癌和结直肠癌组织）的评估表明，WISE-MAE在保持弱监督效率的同时，实现了具竞争力的表示质量和下游分类性能。
引用
@article{arxiv.2511.06958,
title = {Learning from the Right Patches: A Two-Stage Wavelet-Driven Masked Autoencoder for Histopathology Representation Learning},
author = {Raneen Younis and Louay Hamdi and Lukas Chavez and Zahra Ahmadi},
journal= {arXiv preprint arXiv:2511.06958},
year = {2025}
}