基于低秩正则化子空间聚类的原型实例语义解缠解及其在WSIs中的可解释识别
计算机视觉与模式识别
2026-02-17 v1
摘要
肿瘤区域在病理诊断中起关键作用。肿瘤组织与前癌症病灶高度相似，而非肿瘤实例往往远多于肿瘤实例，导致Whole Slide Images(WSIs)中实例语义 entangled，降低模型的表示能力和可解释性。为此，我们提出了一种基于低秩正则化子空间聚类的原型实例语义解缠解框架PID-LRSC。首先，我们采用次级实例子空间学习构建低秩正则化子空间聚类(LRSC)，解决非肿瘤实例比例过大导致的实例 entangled问题；其次，我们采用增强对比学习设计原型实例语义解缠解(PID)，解决肿瘤组织与前癌症组织高度相似导致的语义 entangled问题。我们在多中心病理数据集上进行大量实验，表明PID-LRSC优于其他SOTA方法。总体而言，PID-LRSC在决策过程中提供更清晰的实例语义，显著提升辅助诊断结果的可靠性。
引用
@article{arxiv.2602.14501,
title = {Prototype Instance-semantic Disentanglement with Low-rank Regularized Subspace Clustering for WSIs Explainable Recognition},
author = {Chentao Li and Pan Huang},
journal= {arXiv preprint arXiv:2602.14501},
year = {2026}
}
备注
Our code is available at https://github.com/Prince-Lee-PathAI/PID-LRSC