用于深度紫外全表面图像乳腺癌分类的自学习表示引导潜在扩散模型
计算机视觉与模式识别
2026-01-27 v2 人工智能
机器学习
摘要
保乳手术（BCS）需要精确的术中切缘评估以保留健康组织。深紫外荧光扫描显微镜（DUV-FSM）为此提供了快速、高分辨率的表面成像；然而，标注 DUV 数据的稀缺阻碍了鲁棒深度学习模型的训练。为了解决这一问题，我们提出了一种自监督学习（SSL）引导的潜在扩散模型（LDM），以生成高质量的合成训练图像块。通过利用微调后的 DINO 教师模型的嵌入来引导 LDM，我们将细胞结构的丰富语义细节注入到合成数据中。我们结合真实与合成图像块来微调 Vision Transformer（ViT），利用图像块预测聚合进行 WSI 级别分类。使用 5 折交叉验证的实验表明，我们的方法达到了 96.47 % 的准确率，并将 FID 分数降至 45.72，显著优于类别条件化基线。
引用
@article{arxiv.2601.10917,
title = {Self-learned representation-guided latent diffusion model for breast cancer classification in deep ultraviolet whole surface images},
author = {Pouya Afshin and David Helminiak and Tianling Niu and Julie M. Jorns and Tina Yen and Bing Yu and Dong Hye Ye},
journal= {arXiv preprint arXiv:2601.10917},
year = {2026}
}
备注
This paper has been accepted for the IEEE International Symposium on Biomedical Imaging (ISBI) 2026, London, UK, and will be presented in the corresponding session