PulseAugur
中
实时 13:19:27
English(EN) Hierarchical Prototype-based Domain Priors for Multiple Instance Learning in Multimodal Histopathology Analysis

新的HPDP框架使用LLM改进组织病理学分析

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个名为层级原型域先验（HPDP）的新框架，以改进数字病理学中组织病理学图像的分析。该方法通过整合形态学语义和空间几何来解决现有方法的局限性，这些在当前的多实例学习框架中常常丢失。HPDP利用形态学锚定原型系统（MAPS）和正弦位置编码器（SPE）来增强可解释性并模拟组织结构，而层级跨模态对齐（HCMA）模块则利用LLM生成的描述来弥合视觉和语义鸿沟。在七个癌症队列上的实验表明，HPDP在提高鲁棒性和可解释性的同时，取得了最先进的性能。 AI

影响 通过将LLM生成的描述与视觉数据相结合，增强了数字病理学分析的可解释性和性能。

排序理由 详细介绍用于多模态组织病理学分析新框架的学术论文。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的HPDP框架使用LLM改进组织病理学分析

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Xuemei Qiu, Dawei Fan, Yebin Huang, Yanping Chen, Lifang Wei ·

    用于多模态组织病理学分析中多示例学习的分层原型域先验

    arXiv:2604.23982v1 Announce Type: new Abstract: Digital pathology has fundamentally altered diagnostic workflows by enabling the computational analysis of gigapixel Whole Slide Images (WSIs), yet effectively deciphering their complex tumor microenvironments remains a formidable c…

  2. arXiv cs.CV TIER_1 English(EN) · Lifang Wei ·

    用于多模态组织病理学分析中多示例学习的分层原型域先验

    Digital pathology has fundamentally altered diagnostic workflows by enabling the computational analysis of gigapixel Whole Slide Images (WSIs), yet effectively deciphering their complex tumor microenvironments remains a formidable challenge. Existing Multiple Instance Learning (M…

相关实体

相关话题