SEW：面向病理切片图像分析的自标定增强框架
计算机视觉与模式识别
2025-02-17 v2
摘要
病理图像被视为癌症诊断和治疗的“金标准”，其Gigapixel尺度图像提供了广泛的组织和细胞信息。现有方法无法高效地同时提取全局结构和局部细节特征以进行综合性病理图像分析。为此，本文提出一种自标定增强的全切片病理图像分析框架，包括三个组成部分：全局分支、聚焦预测器和细节分支。全局分支初始使用病理缩略图进行分类，while聚焦预测器基于全局分支的最后一层特征识别用于分类的相关区域。细节提取分支随后评估放大区域是否对应病灶区域。最后，通过全局分支和细节分支之间的特征一致性约束，确保全局分支聚焦于正确区域并提取足够的判别特征用于最终识别。这些聚焦的判别特征对于从特征聚类唯一性和组织空间分布的角度揭示新的预后肿瘤标志物具有重要价值。大量实验结果表明，所提框架能够为病理分级和预后任务快速提供准确且可解释的结果。
引用
@article{arxiv.2412.10853,
title = {SEW: Self-calibration Enhanced Whole Slide Pathology Image Analysis},
author = {Haoming Luo and Xiaotian Yu and Shengxuming Zhang and Jiabin Xia and Yang Jian and Yuning Sun and Liang Xue and Mingli Song and Jing Zhang and Xiuming Zhang and Zunlei Feng},
journal= {arXiv preprint arXiv:2412.10853},
year = {2025}
}