基于弱监督对比学习的组织病理块嵌入
计算机视觉与模式识别
2026-02-13 v2
摘要
数字组织病理全切片图像（WSIs）提供了以吉像素尺度的高分辨率图像，对疾病诊断非常有用。然而，数字组织病理图像分析面临显著挑战，主要是由于训练标签有限，因为手动为大型WSI中特定区域或小块patch进行标注需要大量时间和精力。弱监督多实例学习（MIL）提供了一种实用且高效的解决方案，仅需slide级（袋级）标签，而每个袋子通常包含多个实例（块）。大多数MIL方法直接使用各种图像编码器生成的冻结图像块特征作为输入，主要关注特征聚合。然而，针对编码器预训练在MIL设置下的特征表示学习已被大大忽视。在本工作中，我们提出了一种新颖的特征表示学习框架，称为弱监督对比学习（WeakSupCon），在训练期间融合袋级标签信息。我们的方法不依赖于实例级伪标签，却能有效地在特征空间中分离具有不同标签的块。实验结果表明，我们的WeakSupCon方法生成的图像特征在三个数据集上比自监督对比学习方法在下游MIL性能上具有改进。我们的相关代码已在 github.com/BzhangURU/Paper_WeakSupCon_for_MIL 上提供。
引用
@article{arxiv.2602.09477,
title = {Weakly Supervised Contrastive Learning for Histopathology Patch Embeddings},
author = {Bodong Zhang and Xiwen Li and Hamid Manoochehri and Xiaoya Tang and Deepika Sirohi and Beatrice S. Knudsen and Tolga Tasdizen},
journal= {arXiv preprint arXiv:2602.09477},
year = {2026}
}