用于数字病理学的空间保护层次表示学习
计算机视觉与模式识别
2026-05-19 v3
摘要
全切片图像（WSIs）因其百万像素分辨率以及信息区域稀疏分布，带来了根本性的计算挑战。现有方法常将图像块独立处理，或以扭曲空间语境的方式重塑它们，从而掩盖了WSI固有的层次性金字塔表示。我们引入稀疏金字塔注意力网络（SPAN），一种在保持空间关系的同时将计算资源分配给信息丰富区域的层次框架。SPAN直接从单尺度输入构建多尺度表示，实现对WSI数据的精确层次建模。我们通过两种变体演示了SPAN的多功能性：SPAN-MIL用于滑动分类，SPAN-UNet用于分割。广泛的跨多个公开数据集的评估表明，SPAN有效捕获了层次结构和上下文关系。我们的结果为明确证明架构归纳偏置和层次表示既提升滑动级别性能又提升块级别性能提供了清晰证据。通过解决WSI分析中的关键计算挑战，SPAN为计算病理学提供了有效框架，并为大规模医学图像分析的重要设计原则提供了见解。
引用
@article{arxiv.2406.09333,
title = {Learning Spatial-Preserving Hierarchical Representations for Digital Pathology},
author = {Weiyi Wu and Xingjian Diao and Chunhui Zhang and Chongyang Gao and Xinwen Xu and Siting Li and Jiang Gui},
journal= {arXiv preprint arXiv:2406.09333},
year = {2026}
}