WSI-INR：用于Whole-Slide Images肿瘤分割的隐式神经表示
计算机视觉与模式识别
2026-03-05 v1
摘要
Whole-slide images（WSI）是计算病理学的基础，准确的肿瘤分割对临床决策至关重要。现有方法将 WSI 分割成离散补丁，破坏空间连续性，并将多分辨率视图视为独立样本，导致空间碎片化分割并降低对分辨率变化的鲁棒性。为此，我们提出 WSI-INR，一个基于隐式神经表示（INR）的无补丁框架。WSI-INR 将图像建模为从空间坐标直接映射到组织语义特征的连续隐函数，输出分割结果时保留整个切片上的内在空间信息。在 WSI-INR 中，我们采用多分辨率哈希网格编码，将不同分辨率层视为相同连续组织的不同采样密度，实现跨分辨率的一致特征表示。此外，通过联合训练共享的 INR 解码器，WSI-INR 能捕获不同病例间的通用先验。实验结果表明，WSI-INR 在不同分辨率下保持稳健的分割性能；在 Base/4 分辨率下，我们的分辨率特定优化使 Dice 评分提升 26.11%，而 U-Net 和 TransUNet 分别下降 54.28% 和 36.18%。关键在于，本工作使 INR 能分割高度异构的病理肿瘤，超越结构一致的解剖组织，为病理分析提供了新的视角。
引用
@article{arxiv.2603.03749,
title = {WSI-INR: Implicit Neural Representations for Lesion Segmentation in Whole-Slide Images},
author = {Yunheng Wu and Wenqi Huang and Liangyi Wang and Masahiro Oda and Yuichiro Hayashi and Daniel Rueckert and Kensaku Mori},
journal= {arXiv preprint arXiv:2603.03749},
year = {2026}
}
备注
11 page, 4 figures