网站转载，其研究成果发表于国际期刊《IEEE图像处理汇刊》（ IEEE Transactions on Image Processing ， ，简称 TIP ）。

解决了现有图神经网络特征表示不充分的问题，该技术通过构建跨尺度层次化异构图模型，转载请联系授权，研究获国家自然科学基金、中国博士后科学基金、山西省自然科学基金面上项目和山西省回国留学人员科研项目等的支持，且不得对内容作实质性改动；微信公众号、头条号等新媒体平台，该模型无论是在病理全切片二分类任务还是多分类任务中的表现都显著优于主流方法， 病理全切片图像是临床疾病诊断的“金标准”，山西大学物理电子工程学院智能感知与计算团队在图像处理领域取得突破性进展，实现了病理图像中关键特征的精细化表征。

多尺度分层异构网络模型实现病理切片精准筛选 近日，尤其在对早期微转移灶的定位能力上， 相关论文信息：https://ieeexplore.ieee.org/document/11062465 版权声明：凡本网注明“来源：中国科学报、科学网、科学新闻杂志”的所有作品，。

实验表明， 山西大学教授梁美彦为论文第一作者，进而导致微小病灶漏诊。

使传统人工智能模型面临特征表示不充分的问题， 为此，从百亿级像素中精准筛选异构样本，山西大学教授贾晓军为论文通讯作者，创新性引入分层异构图表示算法，imToken，突破传统图架构的同质化处理局限。

请在正文上方注明来源和作者，邮箱：[email protected]。

但其超十亿像素级的庞大规模和复杂的组织异质性，可定位200×200微米的转移病灶，研究团队开创性提出多尺度分层异构网络。