arXiv cs.AI· Enhui Chai, Sicheng Chen, Tianyi Zhang, Chad Wong, Kecheng Huang, Zeyu Liu, Fei Xia·· 2 天前AI 评分20
BatMIL：面向全切片图像表示的双几何空间状态空间模型
BatMIL: Geometry-Embedding State Space Model for Whole-Slide Image Representation
AI 导读
BatMIL 提出一种混合双曲-欧氏几何表示，将全切片图像特征同时嵌入双几何空间，以兼顾组织层级结构与局部细胞形态。该方法采用线性复杂度的结构化状态空间序列模型建模数千 patch 的长程依赖，并用混合专家模块按特征动态路由 patch。在覆盖 6 种癌症的 7 个数据集上，BatMIL 性能优于 15 种 SOTA MIL 方法。
正文 · AI 翻译
摘要：组织病理学图像的准确分析对疾病诊断和治疗规划至关重要。全切片图像（WSI）以千兆像素分辨率将组织标本数字化，是这一过程的基础，但需要聚合数千个图像块才能进行切片级预测。多实例学习（MIL）采用两阶段范式应对这一挑战，将图像块级嵌入与切片级预测解耦。然而，大多数现有方法将图像块表示隐式地嵌入同质欧几里得空间，忽略了病理组织的层次化组织和区域异质性。这限制了当前模型捕捉全局组织结构与细粒度细胞形态的能力。为解决这一局限，我们引入一种混合双曲-欧几里得表示，将 WSI 特征嵌入双重几何空间，从而能够对层次化组织结构和局部形态细节进行互补建模。基于这一形式化方法，我们开发了 BatMIL，一种同时利用两种几何空间的 MIL 方法。为建模数千个图像块之间的长程依赖关系，我们采用结构化状态空间序列模型作为骨干网络，以线性计算复杂度编码图像块序列。此外，为考虑区域异质性，我们引入混合专家模块，根据每个图像块的特征将其动态路由到专门的专家子网络，在提升表示能力的同时减少冗余计算。在涵盖六种癌症类型的七个数据集上的实验表明，BatMIL 相较于十五种最先进的 MIL 方法取得了优异性能，证明几何嵌入表示学习为计算病理学提供了一个有前景的方向。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.05164 [cs.CV] |
| （或 arXiv:2605.05164v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.05164 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Sicheng Chen [查看邮箱]
[v1]
2026年5月6日 星期三 17:33:30 UTC（10,355 KB）
[v2]
2026年10月24日 星期六 19:36:39 UTC（22,742 KB）
来源：arXiv cs.AI · arxiv.org