arXiv cs.AI· Jingsong Liu, Youssef Wally Han Li, Weiwei Zhou, Jing Dai, Elisabeth Wetzer, Peter J. Sch\"uffler·· 11 小时前AI 评分22
CLEAR-WSI：面向病理档案的可扩展诊断驱动全切片图像检索框架
Towards Scalable Diagnostic-Driven Whole-Slide Image Retrieval for Pathology Archives
AI 导读
CLEAR-WSI 是一个可扩展的诊断驱动全切片图像检索框架，用固定长度切片嵌入并借助预测或真实诊断标签精化候选结果，新处理病例可持续加入记忆库。在涵盖两个公开数据集和一个私有临床数据集、四项检索任务的基准上，其 Precision@5 较最强基线分别提升 CAMELYON16 3.10、BRACS-1 2.75、BRACS-2 1.95、X-HER2 3.75。
正文 · AI 翻译
摘要：数字病理学的日益普及迅速扩充了苏木精-伊红全切片图像的收藏，然而高效地浏览这些档案仍然具有挑战性，因为元数据往往不一致或不可用。基于内容的图像检索通过直接从视觉表征中识别相似病例，而非依赖人工标注或元数据，来应对这一挑战。现有检索系统已展现出良好的性能，但主要依赖手工构建的索引流程和预定义的采样策略，限制了可扩展性和泛化能力。在此，我们提出 CLEAR-WSI（用于全切片图像自动检索的定长嵌入），作为一个可扩展、由诊断驱动的切片检索框架，并在公开数据和临床数据上进行了验证。CLEAR-WSI 使用定长切片嵌入，根据检索设置，用预测的诊断标签或真实标签对检索到的候选进行精炼。新处理的病例随后被加入不断扩展的记忆库，使检索档案能够随时间增长。在由两个公开数据集和一个私有临床数据集组成、涵盖四项检索任务的综合基准上，CLEAR-WSI 在 Precision@5 上优于评估中最强的基线，在 CAMELYON16（3.10）、BRACS-1（2.75）、BRACS-2（1.95）和 X-HER2（3.75）上均有提升。额外的消融和延迟研究进一步考察了各组件的贡献，并凸显了其可扩展部署的潜力。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.07935 [cs.CV] |
| （或 arXiv:2611.07935v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.07935 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jingsong Liu [查看邮箱]
[v1]
2026年11月5日 星期四 12:38:23 UTC（891 KB）
来源：arXiv cs.AI · arxiv.org