arXiv 2405.174462025-08-04eess.IVcs.CV

比较ImageNet预训练与数字病理基础模型在全切片图像生存分析中的应用

Comparing ImageNet Pre-training with Digital Pathology Foundation Models for Whole Slide Image-Based Survival Analysis

Imperial College London, Department of Electrical and Electronic Engineering, London, UK（帝国理工学院伦敦分校，电子与电气工程系）；Department of Pathology, Institut de Pathologie Multisite, Groupement Hospitalier Sud, Lyon University Hospital, Pierre-Bénite, France（病理学系，多站点病理研究所，南部医院集团，里昂大学医院，皮埃尔-贝内蒂，法国）；University of Lyon, Université Claude Bernard Lyon 1, Lyon, France（里昂大学， Claude Bernard 里昂第一大学，里昂，法国）

Kleanthis Marios Papadopoulos, Tania Stathaki

备注：: Accepted (Oral) at the 6th International Conference on Computer Vision and Information Technology (CVIT 2025)

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

该研究比较了ImageNet预训练与数字病理基础模型（如UNI和Hibou）在全切片图像生存分析中的效果，发现集成病理基础模型可提升基线准确率，但优势随MIL架构复杂度增加而减弱。

摘要：

全切片图像（WSIs）中蕴含的丰富信息使其成为生存分析的重要工具。针对此任务提出的多个多实例学习（MIL）框架采用了在自然图像上预训练的ResNet50骨干网络。通过利用近期发布的组织病理学基础模型（如UNI和Hibou），现有MIL网络的预测能力可以得到增强。此外，部署数字病理基础模型的集成能够获得更高的基线准确率，尽管随着MIL架构复杂度的增加，这种优势似乎有所减弱。我们的代码将在论文被接收后公开提供。

英文摘要：

The abundance of information present in Whole Slide Images (WSIs) renders them an essential tool for survival analysis. Several Multiple Instance Learning frameworks proposed for this task utilize a ResNet50 backbone pre-trained on natural images. By leveraging recenetly released histopathological foundation models such as UNI and Hibou, the predictive prowess of existing MIL networks can be enhanced. Furthermore, deploying an ensemble of digital pathology foundation models yields higher baseline accuracy, although the benefits appear to diminish with more complex MIL architectures. Our code will be made publicly available upon acceptance.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。