Newest papers

LEAF-Mamba: Feature Adaptation and Fusion for Whole Slide Image Analysis

Lubin Gan, Jing Zhang, Mingjun Ma, Linhao Qu, Dachun Kai, Xiaoyan Sun · 2026 · arXiv

DOI: 10.48550/arXiv.2610.29746 · open-access PDF

Korean

전체 슬라이드 이미지 (WSI) 분석은 계산 진단 및 예측을 가능하게하지만, gigapixel 이미지와 제한된 코멘트는 슬라이드 수준의 학습을 도전하게 만듭니다. 다중 인스턴스 학습은 냉동 프레드 트레이닝 인코더에서 패치 표현을 집계함으로써이 작업을 해결합니다. 최근에, Mamba는 긴 패치 시퀀스의 효율적인 모델링을 가능하게했습니다. 그러나, 작업 모니터링은 특징 적응 중에 정보 복구를 명시적으로 제한하지 않으며, Mamba는 융합을 위해 별도의 표현을 유지하는 대신 장거리 확산과 로컬 처리를 조합합니다.

Machine translation (Meta M2M100); the English original follows.

Abstract

Whole slide image (WSI) analysis enables computational diagnosis and prognosis, but gigapixel images and limited annotations make slide-level learning challenging. Multiple instance learning addresses this task by aggregating patch representations from frozen pretrained encoders. Recently, Mamba has enabled efficient modeling of long patch sequences. However, task supervision alone does not explicitly constrain information recovery during feature adaptation, while Mamba couples local processing with long-range propagation rather than retaining separate representations for fusion. Motivated by

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange