
-
生物通官微
陪你抓住生命科技
跳动的脉搏
MPGR-Net:用于弱监督病理图像分割的多尺度补丁图推理方法
《BioData Mining》:MPGR-Net: multi-scale patch graph reasoning for weakly supervised pathological image segmentation
【字体: 大 中 小 】 时间:2026年06月17日 来源:BioData Mining 6.1
编辑推荐:
摘要弱监督的病理图像分割旨在利用粗略的标注(如图像级标签)来定位疾病区域,这虽然大幅降低了标注成本,但也带来了定位不准确和预测结果含噪等问题。在本文中,我们提出了多尺度补丁图推理网络(MPGR-Net),这是一种将多尺度图推理集成到基于变换器的架构中的新框架,用以解决这些局限性。
弱监督的病理图像分割旨在利用粗略的标注(如图像级标签)来定位疾病区域,这虽然大幅降低了标注成本,但也带来了定位不准确和预测结果含噪等问题。在本文中,我们提出了多尺度补丁图推理网络(MPGR-Net),这是一种将多尺度图推理集成到基于变换器的架构中的新框架,用以解决这些局限性。具体而言,我们首先使用视觉变换器编码器来提取具有全局意识的补丁表示。为明确建模那些常被标准自注意力机制忽略的结构化空间依赖关系,我们引入了多尺度补丁图推理模块,在该模块中,补丁标记被视为图节点,并通过多种尺度下的预定义空间邻接关系相互连接。这种设计能够在保持计算效率的同时,有效整合局部和长距离的上下文信息。此外,我们还加入了轻量级的交叉注意力机制,通过通道级调制来增强全局特征与局部特征之间的交互。在多种病理图像分割基准测试上的实验表明,MPGR-Net的性能始终优于现有的弱监督方法,具备更高的分割精度和更强的鲁棒性。消融实验进一步验证了所提出的图推理模块的有效性。
弱监督的病理图像分割旨在利用粗略的标注(如图像级标签)来定位疾病区域,这虽然大幅降低了标注成本,但也带来了定位不准确和预测结果含噪等问题。在本文中,我们提出了多尺度补丁图推理网络(MPGR-Net),这是一种将多尺度图推理集成到基于变换器的架构中的新框架,用以解决这些局限性。具体而言,我们首先使用视觉变换器编码器来提取具有全局意识的补丁表示。为明确建模那些常被标准自注意力机制忽略的结构化空间依赖关系,我们引入了多尺度补丁图推理模块,在该模块中,补丁标记被视为图节点,并通过多种尺度下的预定义空间邻接关系相互连接。这种设计能够在保持计算效率的同时,有效整合局部和长距离的上下文信息。此外,我们还加入了轻量级的交叉注意力机制,通过通道级调制来增强全局特征与局部特征之间的交互。在多种病理图像分割基准测试上的实验表明,MPGR-Net的性能始终优于现有的弱监督方法,具备更高的分割精度和更强的鲁棒性。消融实验进一步验证了所提出的图推理模块的有效性。
生物通微信公众号