Dino-NestedUNet：通过密集解码解锁用于病理学肿瘤批量分割的基础视觉编码器

视觉基础模型 (VFM)，例如 DINOv3，提供了丰富的语义表示，这对于计算病理学来说是有希望的。然而，当前的许多改编将冻结的 VFM 与轻量级解码器配对，造成容量不匹配，这通常会限制浸润性肿瘤块分割的边界保真度。本文提出了 Dino-NestedUNet，这是一个将预训练的 DINOv3 编码器与嵌套密集解码器相结合的框架。所提出的解码器不是稀疏跳跃连接和线性上采样，而是形成中间路径的密集网格，以实现连续特征重用和多尺度重新校准，在重建过程中将高级语义与低级形态纹理对齐。我们在三个组织病理学队列（多中心 CHTN、机构 OSU 和 CAMELYON16）上评估 Dino-NestedUNet，并观察到相对于 UNet++ 和标准 Dino-UNet 变体的一致改进，特别是在跨域转移下。为了进一步评估外部泛化，我们通过在 CHTN 上进行训练并直接在没有 微调 的情况下对未见过的 TIGER WSIBULK 和 OSU CRC 队列进行测试来进行零样本评估。这些结果表明，密集解码是解锁边界敏感病理分割中基础编码器的关键因素。