换一批基于可变形注意力和多尺度多实例学习的全切片病理图像分类方法
Whole Slide Pathology Image Classification Method Based on Deformable Attention and Multi-scale Multi-instance Learning
摘要全切片图像(Whole slide images,WSIs)是病理学诊断的金标准.准确的组织病理图像分类为肿瘤的类型、分级和分期提供了详细信息,对癌症预后和治疗策略选择具有重要意义.目前,在计算病理学领域中,基于多实例学习(Multi-instance learning,MIL)的分析方法正成为针对WSIs分类问题的主流方法,但该方法大多针对单一尺度病理图像展开,无法在不同层次上理解癌症的产生与发展机制.此外,病理图像的高分辨率特性以及不同尺度病理图像蕴含信息的差异性,也给高效分析单一尺度内的病理图像块以及融合不同尺度下的病理信息带来挑战.为此,本文提出了一种基于可变形注意力和多尺度多实例学习(Deformable attention and multi-scale multi-instance learning,DMSMIL)的全切片病理图像分类方法.具体而言,该方法通过设计可变形注意力分支学习尺度内不同图像块的关联,提升了注意力计算的效率.同时,设计了基于最优传输(Optimal transport,OT)的关联算法融合不同尺度的病理图像,实现了对多尺度病理信息的高效对齐.在乳腺癌亚型分类和肺癌亚型分类任务上的实验结果表明,所提方法分别取得了85.39%和92.00%的分类准确率,相较于主流的WSIs分类方法,性能得到了显著提升.
更多相关知识
关键词
多实例学习可变形注意力多尺度学习全切片病理图像分类最优传输multi-instance learning(MIL)deformable attentionmulti-scale learningwhole slide pathology image classificationoptimal transport(OT)
栏目名称
DOI
10.16337/j.1004-9037.2026.01.016
发布时间
2026-03-09（万方平台首次上网日期，不代表论文的发表时间）
- 浏览2
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
