保留标记特异性与轻量级通道独立表示学习
计算机视觉与模式识别
2025-12-18 v1
摘要
多路复用组织成像每细胞测量数十种蛋白质标记，但大多数深度学习模型仍采用早期通道融合，假设标记间共享结构。我们研究保留标记独立性结合刻意浅层架构是否为多路复用数据中的自监督表示学习提供了比增加模型规模更合适的归纳偏置。使用包含145,000个细胞和49种标记的Hodgkin淋巴瘤CODEX数据集，我们将标准早期融合CNN与通道分离架构（包括一种标记感知基线和我们新颖的浅层通道独立模型CIM-S，参数为5.5K）进行了对比。经对比预训练和线性评估后，早期融合模型保留标记特异性信息的能力有限，且在稀有细胞判别方面表现不佳。通道独立架构，尤其是CIM-S，尽管结构紧凑，却实现了显著更强的表示。这些发现在多种自监督框架下保持一致，在多种增强设置下保持稳定，并且在49标记和缩减至18标记的设置下均可复现。结果表明，轻量级通道独立架构可以匹配甚至超越深度早期融合CNN和基础模型，用于多路复用表示学习。代码地址：https://github.com/SimonBon/CIM-S。
引用
@article{arxiv.2512.15410,
title = {Preserving Marker Specificity with Lightweight Channel-Independent Representation Learning},
author = {Simon Gutwein and Arthur Longuefosse and Jun Seita and Sabine Taschner-Mandl and Roxane Licandro},
journal= {arXiv preprint arXiv:2512.15410},
year = {2025}
}
备注
16 pages, 9 figures, MIDL 2026 conference