基于窗口尺度衰减的多实例学习方法用于整块切片图像分类
计算机视觉与模式识别
2025-12-24 v1
摘要
近年来,将预训练的基础模型与多实例学习(MIL)集成显著提升了计算病理学中的诊断准确性。然而,现有MIL方法侧重于优化特征提取器和聚合策略,而忽略了整块切片图像(WSI)内部实例之间复杂的语义关系。虽然Transformer-based MIL方法旨在建模实例之间的依赖关系,但其二次计算复杂度限制了其在大规模WSI上的可扩展性。此外,由于肿瘤区域尺度在不同WSI间存在显著差异,现有基于Transformer的方法采用固定尺度注意力机制,在精确捕获局部实例关联方面面临重大挑战,且未考虑补丁相关性随距离衰减的效应。为此,本文提出窗口尺度衰减MIL(WSD-MIL),旨在增强对不同尺度肿瘤区域的建模能力,同时提高计算效率。WSD-MIL包含: 1)基于窗口尺度衰减的注意力模块,采用基于簇的采样策略以降低计算成本,并逐步衰减注意力窗口尺度以捕获不同尺度上的局部实例关系; 2)基于squeeze-and-excitation的区域门模块,动态调整窗口权重以增强全局信息建模。实验结果表明,WSD-MIL在CAMELYON16和TCGA-BRCA数据集上实现了最先进的性能,同时将计算内存降低62%。该代码将公开 disponible。
关键词
引用
@article{arxiv.2512.19982,
title = {WSD-MIL: Window Scale Decay Multiple Instance Learning for Whole Slide Image Classification},
author = {Le Feng and Li Xiao},
journal= {arXiv preprint arXiv:2512.19982},
year = {2025}
}