放大倍率感知蒸馏（MAD）：用于千兆像素全切片图像统一表示学习的自监督框架
图像与视频处理
2025-12-18 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
全切片图像（WSI）包含分布在多个放大倍率层级上的组织信息，但大多数自监督方法将这些尺度视为独立视图。这种分离使得模型无法学习在分辨率变化时保持稳定表征的能力，而这是实际神经病理学工作流程的关键要求。本研究提出了放大倍率感知蒸馏（MAD），一种自监督策略，将低放大倍率上下文与空间对齐的高放大倍率细节相联系，使模型能够学习粗组织结构与细细胞模式之间的关系。由此产生的基础模型 MAD-NP 完全通过这种跨尺度对应关系进行训练，无需标注。仅在 10x 嵌入上训练的线性分类器在应用于未见 40x 图块时保持了 96.7% 的性能，展示了强大的分辨率不变表示学习能力。分割输出在不同放大倍率下保持一致，保留了解剖边界并最小化噪声。这些结果证明了使用统一嵌入空间进行可扩展、抗放大倍率变化的 WSI 分析的可行性。
引用
@article{arxiv.2512.14796,
title = {Magnification-Aware Distillation (MAD): A Self-Supervised Framework for Unified Representation Learning in Gigapixel Whole-Slide Images},
author = {Mahmut S. Gokmen and Mitchell A. Klusty and Peter T. Nelson and Allison M. Neltner and Sen-Ching Samson Cheung and Thomas M. Pearce and David A Gutman and Brittany N. Dugger and Devavrat S. Bisht and Margaret E. Flanagan and V. K. Cody Bumgardner},
journal= {arXiv preprint arXiv:2512.14796},
year = {2025}
}
备注
10 pages, 4 figures, 5 tables, submitted to AMIA 2026 Informatics Summit