用于多免疫组织化学明场组织学图像无监督染色表示学习与解卷积的 Beer-Lambert 自编码器
计算机视觉与模式识别
2026-01-19 v1 机器学习
摘要
在 RGB 组织学全切片图像（WSIs）中分离单个显色染料的贡献，对于免疫组织化学（IHC）中的染色归一化、标记物表达的定量评估以及细胞级读数至关重要。经典的 Beer-Lambert（BL）颜色解卷积在两到三种染料设置下已很成熟，但对于具有 K>3 种显色剂的多重 IHC（mIHC）而言，会变得欠定且不稳定。我们提出一种简单的数据驱动编码器-解码器架构，该架构为 mIHC RGB WSIs 学习队列特异性的染色特征，并生成清晰、分离良好的每种染料浓度图。编码器是一个紧凑的 U-Net，用于预测 K 个非负浓度通道；解码器是一个可微的 BL 正向模型，带有从典型显色剂色调初始化的可学习染色矩阵。训练是无监督的，采用感知重建目标，并辅以阻止不必要染色混合的损失项。在包含 5 种染料（H、CDX2、MUC2、MUC5、CD8）的结直肠 mIHC 组合上，我们展示了出色的 RGB 重建效果，并且与基于矩阵的解卷积相比，显著减少了通道间的串色。代码和模型可在 https://github.com/measty/StainQuant.git 获取。
引用
@article{arxiv.2601.11336,
title = {Beer-Lambert Autoencoder for Unsupervised Stain Representation Learning and Deconvolution in Multi-immunohistochemical Brightfield Histology Images},
author = {Mark Eastwood and Thomas McKee and Zedong Hu and Sabine Tejpar and Fayyaz Minhas},
journal= {arXiv preprint arXiv:2601.11336},
year = {2026}
}