A Hierarchical Multi-Scale Graph–Hypergraph Learning Framework for Intelligent Pathology Image Classification

Liang Zhao

doi:10.1109/tce.2026.3722706

A Hierarchical Multi-Scale Graph–Hypergraph Learning Framework for Intelligent Pathology Image Classification

2026-08-11

0

PRE

AI

DOI：10.1109/tce.2026.3722706

原文链接

原文求助

摘要

En 中文

全切片图像（WSI）分类是连接医疗中可扩展数字病理服务的关键推动因素，其中面向消费者的工作流程需要可信的预测和及时的结果。然而，千兆像素WSI、弱监督和复杂的多尺度依赖关系使高效且可解释的建模具有挑战性。我们提出MGH-MIL，一种层次化多尺度多重实例学习框架，它整合图神经网络和异构超图来联合捕捉内尺度和跨尺度依赖关系。通过自监督编码器提取多倍放大倍率下的图像块特征，四叉树层次结构定义跨尺度的父子关系。在每个尺度内，基于注意力的内尺度同质图模型局部空间相关性，而跨尺度异构超图编码不同放大倍率下的层次和上下文交互。知识蒸馏目标对齐跨尺度的表示以改善一致性和鲁棒性。在Camelyon16和TCGA-Lung上的实验表明，与当前最先进的多重实例学习（MIL）方法相比，MGH-MIL实现了更优的准确率和AUC，同时具有可观的推理时间。这些结果表明，MGH-MIL为大规模、面向服务的数字病理和面向消费者的连接医疗应用提供了高效且可解释的算法组件。

Keyword:

Whole slide image

graph neural networks

multiscale analysis

attention mechanism

classification

A Hierarchical Multi-Scale Graph–Hypergraph Learning Framework for Intelligent Pathology Image Classification

摘要

期刊

机构

引用论文