面向巨型组织病理全切片图（WSI）分析的可提示表示分布学习与数据增强
计算机视觉与模式识别
2024-12-20 v1
摘要
巨型图像分析，特别是针对全切片图像（WSI），常依赖于多实例学习（MIL）。在MIL范式下，提取补丁图像表示后，这些表示在MIL分类器的训练期间保持固定，以考虑效率问题。然而，表示的不变性使得在WSI级别模型训练中执行数据增强变得困难，这显著限制了下游WSI分析的性能。当前用于巨型图像的数据增强方法要么引入额外的计算成本，要么导致语义信息的损失，这难以满足WSI模型训练所需的效率和稳定性要求。本文提出一种可提示表示分布学习框架（PRDL），用于补丁级别的表示学习和WSI级别的数据增强。同时，我们探索使用提示符来指导特征空间中的数据增强，这实现了用于训练稳健WSI级别模型的可提示数据增强。实验结果表明，所提方法稳健地优于当前最先进的方法。
引用
@article{arxiv.2412.14473,
title = {Promptable Representation Distribution Learning and Data Augmentation for Gigapixel Histopathology WSI Analysis},
author = {Kunming Tang and Zhiguo Jiang and Jun Shi and Wei Wang and Haibo Wu and Yushan Zheng},
journal= {arXiv preprint arXiv:2412.14473},
year = {2024}
}
备注
Accepted by AAAI2025