PATHS：面向Whole Slide Image分析的层次化Transformer
计算机视觉与模式识别
2024-11-28 v1 人工智能
摘要
Whole Slide Image（WSI）的计算分析在最近几年中取得了显著的研究进展，广泛应用于存活率或癌症亚型预测等重要诊断和预后任务。许多领先模型将整个切片（最大可达 像素）作为包含众多补丁的袋子进行处理，补丁数量大型化 necessitates 使用计算经济的特征聚合方法。然而，这些补丁中很大比例是无信息的，例如仅包含健康组织或脂肪组织的补丁，显著增加了袋子中的噪声和规模。我们提出Pathology Transformer with Hierarchical Selection（PATHS），一种基于层次弱监督表示学习的顶部方法，用于计算病理学中的切片级任务。PATHS灵感来自人类病理学家检查切片时的跨放大级别方式，递归在每个放大级别过滤至与诊断相关的小型子集。我们的方法克服了处理整个切片的复杂性，实现二次自注意力，提供简单可解释的区域重要性度量。我们将PATHS应用于The Cancer Genome Atlas（TCGA）的五个数据集，在处理切片中仅小比例时，相较于先前方法在切片级预测任务上实现了卓越的性能。
引用
@article{arxiv.2411.18225,
title = {PATHS: A Hierarchical Transformer for Efficient Whole Slide Image Analysis},
author = {Zak Buzzard and Konstantin Hemker and Nikola Simidjievski and Mateja Jamnik},
journal= {arXiv preprint arXiv:2411.18225},
year = {2024}
}