基于切片的图结构协同训练用于组织病理全切片图像分析
计算机视觉与模式识别
2024-10-15 v1
摘要
计算病理学的发展基于肿瘤病理特征在癌症诊断中的重要指导作用。目前大多数研究聚焦于每张WSI内部的上下文信息，却忽略了切片之间可能的相互关联。由于肿瘤发展是一个持续的过程，涉及一系列累积性的组织学、形态学和遗传变化，肿瘤在不同阶段、分级、位置和患者之间的相似性和差异性可能有助于WSI的表征，并值得在WSI建模中予以考虑。为验证引入切片相互关联对WSI表征学习的提升效果，我们提出了一个可适用于任何现有多实例学习(MIL)框架并提升其性能的通用WSI分析管道SlideGCD。通过该新范式，癌症发展的先验知识可参与端到端工作流程，同时初始化和细化切片表征，作为切片基图消息传递的指南。开展了大量比较和实验，验证了在4个不同任务（癌症亚型、癌症分期、生存预测和基因突变预测）以及7个代表性SOTA WS分析框架作为主干上的有效性和鲁棒性。
引用
@article{arxiv.2410.10260,
title = {Slide-based Graph Collaborative Training for Histopathology Whole Slide Image Analysis},
author = {Jun Shi and Tong Shu and Zhiguo Jiang and Wei Wang and Haibo Wu and Yushan Zheng},
journal= {arXiv preprint arXiv:2410.10260},
year = {2024}
}