MorphGen：基于形态学引导的表示学习，用于直方图癌症分类中的鲁棒单域泛化
计算机视觉与模式识别
2025-09-03 v1
摘要
计算组织病理学中的域泛化受到whole slide images(WSIs)中异质性的限制，这些异质性由组织准备、染色和制造条件在不同机构之间的变化引起。不同于机器学习系统，病理学家依赖于保持诊断学意义的域不变形态线索，如核型异度(肥大、不规则轮廓、染色体增高、染色质纹理、空间错乱)，结构异度(异常建筑和腺体形成)，以及整体形态异度，这些线索在不同设置下保持诊断学意义。受此启发，我们假设显式建模生物学上稳健的核形态和空间组织将使我们能够学习对域位移鲁棒的癌症表征。我们提出了MorphGen(Morphology-Guided Generalization)，一种方法将组织病理学图像、数据增强和核分割掩码整合到监督对比学习框架中。通过对齐图像和核掩码的潜在表征，MorphGen优先考虑诊断特征，如核和形态异度以及空间组织，而非染色制剂和域特定特征。为了进一步增强out-of-distribution鲁棒性，我们采用随机权重平均(SWA)，将优化引导 toward更平坦的最小值。注意力图分析揭示，MorphGen主要依赖于核形态、细胞组成以及肿瘤或正常区域内的空间细胞组织进行最终分类。最后，我们展示了所学表征对图像损坏(如染色制剂损坏)和对抗性攻击的鲁棒性，展示不仅是OOD泛化，而且解决了当前数字病理学中深入学习系统的关键漏洞。代码、数据集和训练模型均可在：https://github.com/hikmatkhan/MorphGen 获取。
引用
@article{arxiv.2509.00311,
title = {MorphGen: Morphology-Guided Representation Learning for Robust Single-Domain Generalization in Histopathological Cancer Classification},
author = {Hikmat Khan and Syed Farhan Alam Zaidi and Pir Masoom Shah and Kiruthika Balakrishnan and Rabia Khan and Muhammad Waqas and Jia Wu},
journal= {arXiv preprint arXiv:2509.00311},
year = {2025}
}