用于自监督全切片图像凝缩的非参数分布匹配
Nonparametric Distribution Matching for Self-Supervised Whole-Slide Image Condensation
精选理由
用非参数分布匹配压缩病理全切片，兼顾效率与精度并提升下游学习效果。
AI 摘要
arXiv:2610.00678v1 公告类型：cross 摘要：组织学全切片图像（WSI）是计算病理学的核心，但由于其极高的分辨率，单张切片通常可达数GB，因此带来了严峻的计算挑战。为了实现可扩展学习，现有方法采用自监督数据凝缩来降低计算成本，但通常依赖启发式原型学习，且没有显式保留下游任务所需的特征分布。对此，我们将WSI凝缩系统地重新表述为固定表征视角下的分布匹配问题，并开发了NICER这一基于具有切片自适应容量的非参数先验的可处理近似框架。在五个组织病理学数据集上的实验，以及由一名获得专业委员会认证的病理学家进行的临床评估表明，NICER始终优于以往方法，平均准确率提升7.44%，同时实现了更优的效率—准确率权衡，凸显了基于原理、感知分布的数据凝缩对于可扩展组织学表征学习的优势。源代码见 https://github.com/nmduonggg/NICER。