CytoCRF：结合多骨干邻域细化细胞学 VLM 预测

视觉语言模型（VLM）在组织学图像上实现了强大的零样本（ZS）分类，但在细胞学上表现不佳，细胞学的染色和细胞形态与组织学相比明显不同。条件随机场 (CRF) 可以通过跨图像块传播信息来完善噪声 VLM 预测，但现有的 CRF 框架是为组织病理学设计的，不会转移到细胞学数据集，而是作为跨越多个染色协议的独立图像块池发布。我们引入了 CytoCRF，它通过靶向染色质和细胞学特异性染色使成对项适应细胞学，并通过组合多个骨干网络进一步丰富每个势函数项的邻域。在 10 个细胞学数据集中，CytoCRF 在每个注释预算上都优于现有的 CRF 框架，比最佳基线高出 13.6 个百分点，比仅 50 个注释的 ZS 高出 33.7 个百分点。组合来自多个骨干网的信息带来了进一步的收益，这表明邻域拓扑比在其上计算的成对势更重要。