面向异常形态分裂体分类的视觉基础模型参数高效微调
计算机视觉与模式识别
2026-01-13 v2
摘要
异常形态分裂体 (AMF) 是与肿瘤侵袭性和差坏预后相关的少见异常细胞分裂，其检测因细微形态线索、类别不平衡以及病理学家间的观察差异而 remains 挑战。MIDOG 2025 挑战赛引入了专门的异常分裂分类轨道，实现了对深度学习方法的系统评估。本研究考察了大型视觉基础模型（包括 Virchow、Virchow2 和 UNI）结合低秩适应 (LoRA) 的参数高效微调策略。我们针对不同的 LoRA 秩以及随机与分层数据划分，进行了广泛实验，以分析其在不同条件下的鲁棒性。我们的最佳方法是 Virchow 配合 LoRA 秩为 8 且采用三折交叉验证的集成， 在初步测试集上取得 88.37% 的平衡准确率，位列挑战排行榜并列第 9 位。这些结果凸显了基础模型结合高效适应策略用于异常分裂分类的前景，同时也强调了特异性和领域泛化性仍需改进的必要性。
引用
@article{arxiv.2509.16935,
title = {Parameter-efficient fine-tuning (PEFT) of Vision Foundation Models for Atypical Mitotic Figure Classification},
author = {Lavish Ramchandani and Gunjan Deotale and Dev Kumar Das},
journal= {arXiv preprint arXiv:2509.16935},
year = {2026}
}
备注
MIDOG'25