Cross-Attention Patch Fusion for Few-Shot Colorectal Tissue Generation
Notice bibliographique
Résumé
Labeled colorectal histopathology is scarce, especially for rare patterns, which limits robust training and validation. We target patch-level classes (e.g., normal epithelium, tumorous glands, stroma) and propose Cross-Attention Patch Fusion, a few-shot generator that synthesizes class-conditioned tissue patches from only a handful of expert-labeled seeds. A base patch attends to k references to find semantically matched local blocks; these blocks are fused in feature space and reweighted with channel-and-spatial attention to preserve gland boundaries, epithelial contours, stromal context, and texture transitions. On NCT-CRC-HE, our method reduces Fréchet Inception Distance (FID) by 4.7%, raises LPIPS by 22.0% (to 58.57), and improves few-shot classifier accuracy by 4.8 percentage points when trained with our synthetic data. Qualitative results show realistic gland architecture and plausible stromal textures. In sum, cross-attention plus patch-wise fusion yields more realistic and diverse colorectal tissue patches from few examples and supplements rather than replaces expert labels.Clinical relevance— By generating realistic, diverse colorectal tissue images from only a few examples, our model can help train and validate AI diagnostic tools without the need for extensive manual annotation. This may accelerate development of automated classifiers for rare histological patterns, supporting earlier and more accurate detection of colorectal lesions in clinical practice
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».