基于对比学习编码器的脑肿瘤（Glioblastoma）亚区域片段级分类
计算机视觉与模式识别
2025-11-26 v1
摘要
脑肿瘤（glioblastoma）的显著分子和病理异质性使其诊断和患者分层复杂化。虽然传统的组织病理学评估仍是标准，但深度学习为对全切片图像进行客观和自动化分析提供了可行的路径。对于 BraTS-Path 2025 挑战赛，我们开发了一种方法，对预训练的 Vision Transformer (ViT) 编码器进行微调，并在官方训练数据集上使用专用的分类头。我们的模型在 Synapse 平台上评估的在线验证集上的表现，得到了 Matthews 相关系数 (MCC) 为 0.7064 和 F1 分数为 0.7676。在最终测试集上，模型实现了 MCC 为 0.6509 和 F1 分数为 0.5330，从而在 BraTS-Pathology 2025 挑战赛中获得第二名。我们的结果为基于 ViT 的组织病理学分析奠定了坚实的基线，未来的工作将致力于弥合在未见验证数据上观察到的性能差距。
引用
@article{arxiv.2511.20221,
title = {Patch-Level Glioblastoma Subregion Classification with a Contrastive Learning-Based Encoder},
author = {Juexin Zhang and Qifeng Zhong and Ying Weng and Ke Chen},
journal= {arXiv preprint arXiv:2511.20221},
year = {2025}
}
备注
Accepted by the International Brain Tumor Segmentation (BraTS) challenge organized at MICCAI 2025 conference