文章目录
Multi-scope Analysis Driven Hierarchical Graph Transformer for Whole Slide Image Based Cancer Survival Prediction
摘要
癌症生存预测不仅需要考虑肿瘤的生物形态,还需要考虑肿瘤与周围组织的上下文交互。以往基于全景切片图像(WSI)进行生存预测的学习框架的主要局限在于对病理成分(如肿瘤、基质、淋巴细胞等)之间的上下文交互缺乏足够的表示和量化。为了解决这一问题提出了一种多视角分析驱动的层次图Transformer(Hierarchical Graph Transformer,HGT)。
方法
- 多视角分析策略:利用切片内的超像素分析和跨切片的聚类分析,挖掘WSIs的空间和语义先验。
- 层次图卷积网络:基于提取的空间先验,提出了一个层次图卷积网络,逐步学习从补丁级到组织级的不同微环境的拓扑特征。
- Transformer预测头:在语义先验的指导下,将组织级特征进一步聚合,表示有意义的病理成分,通过设计的基于Transformer的预测头来建立和量化这些成分的上下文交互。
代码地址
方法
图 1 展示了提出的多视角分析驱动的层次图Transformer (HGT) 的概述。注意,为了视觉清晰度,图中未显示所有节点和相邻关系。
SLIC:简单的线性聚类
实验结果