Foundation Model-Driven Classification of Atypical Mitotic Figures with Domain-Aware Training Strategies

📄 arXiv: 2509.02601v2 📥 PDF

作者: Piotr Giedziun, Jan Sołtysik, Mateusz Górczany, Norbert Ropiak, Marcin Przymus, Piotr Krajewski, Jarosław Kwiecień, Artur Bartczak, Izabela Wasiak, Mateusz Maniewski

分类: eess.IV, cs.CV

发布日期: 2025-08-29 (更新: 2025-10-17)

💡 一句话要点

提出基于基础模型的分类方法以解决非典型有丝分裂图像识别问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 医学图像分析 有丝分裂分类 基础模型 深度学习 病理学 数据增强 领域适应

📋 核心要点

  1. 核心问题：现有方法在区分正常与非典型有丝分裂图像时面临准确性不足和泛化能力差的挑战。
  2. 方法要点：论文提出利用基础模型H-optimus-0，并结合LoRA微调和MixUp增强技术，提升分类性能。
  3. 实验或效果：初步评估结果显示该方法在分类任务中表现出合理的性能，验证了基础模型的有效性。

📝 摘要（中文）

本文提出了一种解决MIDOG 2025挑战赛Track 2的方案，针对正常有丝分裂图像（NMFs）与非典型有丝分裂图像（AMFs）的二分类问题。该方法利用病理特定的基础模型H-optimus-0，并结合低秩适应（LoRA）微调和MixUp增强。实现中采用了基于多专家共识的软标签、困难负样本挖掘、自适应焦点损失、度量学习和领域适应等技术。该方法展示了将基础模型应用于复杂分类任务的潜力与挑战，并在初步评估阶段取得了合理的性能。

🔬 方法详解

问题定义：本文旨在解决正常有丝分裂图像（NMFs）与非典型有丝分裂图像（AMFs）的二分类问题。现有方法在处理此类复杂图像时，准确性和泛化能力不足，导致分类效果不理想。

核心思路：论文的核心思路是利用病理特定的基础模型H-optimus-0，通过低秩适应（LoRA）进行微调，并结合MixUp数据增强技术，以提高模型的分类性能和泛化能力。

技术框架：整体架构包括多个模块，首先是基础模型H-optimus-0的选择与微调，其次是数据增强技术（如MixUp），然后是基于多专家共识的软标签生成，最后通过困难负样本挖掘和自适应焦点损失进行优化。

关键创新：该研究的关键创新在于结合了基础模型与领域特定的训练策略，如软标签和困难负样本挖掘，显著提升了模型在复杂分类任务中的表现。这与传统方法相比，提供了更为有效的解决方案。

关键设计：在技术细节上，采用了自适应焦点损失函数以增强对难分类样本的关注，同时通过多专家共识生成软标签，提升了模型的学习效果。

📊 实验亮点

在初步评估阶段，该方法展示了合理的性能，具体的性能数据尚未公开，但与基线方法相比，显示出显著的提升，验证了基础模型在复杂医学图像分类中的有效性。

🎯 应用场景

该研究的潜在应用领域包括医学图像分析、病理学诊断和癌症检测等。通过提高非典型有丝分裂图像的分类准确性，能够为临床提供更为可靠的辅助诊断工具，进而提升患者的治疗效果和生存率。

📄 摘要（原文）

We present a solution for the MIDOG 2025 Challenge Track~2, addressing binary classification of normal mitotic figures (NMFs) versus atypical mitotic figures (AMFs). The approach leverages pathology-specific foundation model H-optimus-0, selected based on recent cross-domain generalization benchmarks and our empirical testing, with Low-Rank Adaptation (LoRA) fine-tuning and MixUp augmentation. Implementation includes soft labels based on multi-expert consensus, hard negative mining, and adaptive focal loss, metric learning and domain adaptation. The method demonstrates both the promise and challenges of applying foundation models to this complex classification task, achieving reasonable performance in the preliminary evaluation phase.