用于增强病理图像质量的统一底层基础模型
计算机视觉与模式识别
2025-09-03 v1
摘要
基础模型通过在高层次诊断任务中取得显著成功，彻底改变了计算病理学，然而底层图像增强这一关键挑战在很大程度上仍未得到解决。由于切片制备伪影、染色差异和成像限制，真实世界的病理图像经常遭受噪声、模糊和低分辨率等退化问题，而对物理染色的依赖则带来了巨大的成本、延迟和不一致性。尽管现有方法针对去噪或超分辨率等个别问题，但其特定任务的设计缺乏处理实践中遇到的多样化底层视觉挑战的通用性。为了弥补这一差距，我们提出了首个统一的底层病理基础模型（LPFM），该模型能够通过单一的可适应架构，在包括超分辨率、去模糊和去噪在内的恢复任务中增强图像质量，并促进虚拟染色（H&E 和特殊染色）等图像转换任务。我们的方法引入了一个对比预训练编码器，该编码器从 1.9 亿张未标记的病理图像中学习可迁移的、染色不变的特征表示，从而能够稳健地识别退化模式。统一的扩散过程通过文本提示动态适应特定任务，确保对输出质量的精确控制。LPFM 在涵盖 34 种组织类型和 5 种染色方案的 87,810 张全切片图像（WSI）的精选数据集上进行训练，在大多数任务（56/66）中，与最先进的方法相比，显示出统计学上显著的改进（p<0.01），在图像恢复方面实现了 10-15% 的峰值信噪比（PSNR）增益，在虚拟染色方面实现了 12-18% 的结构相似性指数（SSIM）提升。
引用
@article{arxiv.2509.01071,
title = {A Unified Low-level Foundation Model for Enhancing Pathology Image Quality},
author = {Ziyi Liu and Zhe Xu and Jiabo Ma and Wenqaing Li and Junlin Hou and Fuxiang Huang and Xi Wang and Ronald Cheong Kin Chan and Terence Tsz Wai Wong and Hao Chen},
journal= {arXiv preprint arXiv:2509.01071},
year = {2025}
}