构建虚拟免疫组织化学图像质量的信任：自动化评估框架
计算机视觉与模式识别
2025-11-07 v1
摘要
深度学习模型可生成虚拟免疫组织化学 (IHC) 染色，其源自骨髓和肾小体 (H&E) 图像，为实验室 IHC 提供可扩展且低成本的替代方案。然而，当前基于纹理和分布的指标量化图像保真度，而非 IHC 染色的准确性，成为评估图像质量的挑战。本文引入一个自动化且以准确性为基础的框架，用于评估十六种配对或非配对图像翻译模型的图像质量。通过色度分解，我们生成每个虚拟 IHC 模型预测的棕色染色像素掩模。我们使用实虚拟 IHC 的分割掩模计算染色准确性指标（Dice、IoU、Hausdorff 距离），这些指标直接量化正确像素级标记，无需专家手动注释。我们的结果表明，常规图像保真度指标，包括 FID、峰值信噪比 (PSNR) 和结构相似性 (SSIM)，与染色准确性和病理生物学评估之间关联性较差。配对模型如 PyramidPix2Pix 和 AdaptiveNCE 实现了最高的染色准确性，而非配对扩散和 GAN 基础模型在提供准确的 IHC 阳性像素标签方面可靠性较低。此外，整块切片图像 (WSI) 揭示了在补丁基准评估中难以察觉的性能下降，强调在 WSI 级别建立基准的必要性。总体而言，本框架定义了一个可复现的用于评估虚拟 IHC 模型质量的方法，这是加速病理生物学家常规使用的关键步骤。
引用
@article{arxiv.2511.04615,
title = {Building Trust in Virtual Immunohistochemistry: Automated Assessment of Image Quality},
author = {Tushar Kataria and Shikha Dubey and Mary Bronner and Jolanta Jedrzkiewicz and Ben J. Brintz and Shireen Y. Elhabian and Beatrice S. Knudsen},
journal= {arXiv preprint arXiv:2511.04615},
year = {2025}
}