计算病理学中基于混合放大聚合的通用区域级表示
计算机视觉与模式识别
2026-02-26 v1
摘要
近年来，已形成标准的计算病理学工作流程：将全切片图像裁剪为小块，对这些小块使用基础模型进行处理，然后构建特定于任务的模型。已提出至少15种不同的基础模型，绝大多数仅使用20倍放大的小块进行训练。然而，已知某些组织学特征只能借助更大的上下文窗口，病理学家在分析全切片图像时需要放大和缩小。此外，在20倍放大下创建224×224像素的裁剪会导致每个切片产生大量小块，规模可达百万像素。为了更准确地捕获多分辨率特征并探讨减少每个切片表示数量的可能性，我们提出一种区域级混合放大聚合器。我们的 approach 联合融合混合放大基础模型的图像小块表示，通过掩码嵌入建模预训练步骤实现。我们探索了用于预训练所提出混合放大区域聚合器的设计空间，并在转移到代表 various 癌种的生物标志物预测任务上进行评估。结果显示，不同癌种的预测性能都有所提升，凸显了空间上下文和理解的重要性。
引用
@article{arxiv.2602.22176,
title = {Mixed Magnification Aggregation for Generalizable Region-Level Representations in Computational Pathology},
author = {Eric Zimmermann and Julian Viret and Michal Zelechowski and James Brian Hall and Neil Tenenholtz and Adam Casson and George Shaikovski and Eugene Vorontsov and Siqi Liu and Kristen A Severson},
journal= {arXiv preprint arXiv:2602.22176},
year = {2026}
}