基于区域-亲和性注意力的全切片乳腺癌深度紫外光成像分类
计算机视觉与模式识别
2026-04-21 v1 人工智能
信号处理
摘要
乳腺癌诊断需要快速精准的工具，而传统组织病理学方法在内镜下场景中常常不足。深度紫外光（DUV）荧光成像作为一种变革性方法，能够以前所未有的细节提供全切片图像（WSI）的高对比度、无标签可视化，超越传统常规染色（H&E）在速度和分辨率上的优势。然而，现有的乳腺癌分类深度学习方法，主要基于切片，已破坏了空间上下文信息，导致显著的预处理开销，限制了其临床实用性。此外，标准注意力机制，如空间注意力、 Squeeze-and-Excitation注意力、全局上下文和引导型上下文门控，未能充分利用DUV-WSI数据中固有的丰富的多尺度区域关系，往往优先进行通用特征重标，而非诊断特异性。本研究提出一种针对DUV-WSI乳腺癌分类的新型区域-亲和性注意力机制，无需切片处理整个切片以保留空间完整性。通过建模局部邻域距离并构建完整亲和性矩阵，该方法动态突出显示诊断相关区域，辅以对比损失以增强特征判别性。在136个DUV-WSI样本的数据集上评估，本方法实现了92.67%±0.73%的准确率和95.97%的AUC，优于现有注意力方法。
引用
@article{arxiv.2604.17222,
title = {Region-Affinity Attention for Whole-Slide Breast Cancer Classification in Deep Ultraviolet Imaging},
author = {Nagur Shareef Shaik and Teja Krishna Cherukuri and Dong Hye Ye},
journal= {arXiv preprint arXiv:2604.17222},
year = {2026}
}
备注
Accepted at the IEEE Engineering in Medicine and Biology Society Annual International Conference (Proceedings of the 48th International Conference), 2026