bioRxiv 预印本· Ding, Z., Dequiedt, L., Forjaz, M., Matos-Romero, V., Shen, Y., Benducci, T., Forjaz, A., Fei, X., Zhu, Y., Nwoga, P., Dhana, W., Pascalin, J., Lee, S. S., Garza, L., Lee, S. H., Pierce, E. J., Canto, M. I., Morton, J. P., Cihakova, D., Wirtz, D., Data Science TeamLab,, Kiemen, A. L. ·· 2026-10-19AI 评分20
TiSAM:融合空间与病理基础模型的全切片图像分割框架
TiSAM: fusing spatial and histopathology foundation models for whole-slide image segmentation
AI 导读
研究团队提出TiSAM,将SAM3空间特征与UNI2-h病理特征在多尺度解码器中融合,用于全切片图像语义分割。TiSAM在四个公开数据集上整体表现优于现有CNN和视觉Transformer模型,并发布含12个小鼠器官、52类组织、36,833个标注的MegaMouse数据集及11类人胰腺数据集。
来源:bioRxiv 预印本 · biorxiv.org