C3R：基于通道条件细胞表征用于显微镜图像统一评估
计算机视觉与模式识别
2025-05-27 v1 机器学习
定量方法
摘要
免疫组织化学 (IHC) 图像揭示了关于细胞内结构和功能的详细信息。然而，与自然图像不同，IHC 数据集因实验室和研究中染色协议的差异，导致通道数和配置不一致，这给深度学习模型带来了挑战。现有方法构建通道自适应模型，尽管如此，仍无法支持跨 IHC 数据集的 out-of-distribution (OOD) 评估，无法在通道数不匹配的零样本设置下应用。为此，本文提出一种将细胞图像通道分为 context 或 concept 的结构化视图，其中将 context 通道作为 reference 来指导 concept 通道。我们利用这种 context-concept 原理开发了 Channel Conditioned Cell Representations (C3R)，一个旨在在 in-distribution (ID) 和 OOD 数据集上进行统一评估的框架。C3R 是一个两层次的框架，包括基于 context-concept 原理的通道自适应编码器架构和掩码知识蒸馏训练策略。我们发现 C3R 在 ID 和 OOD 任务上均优于现有基准，虽然对核心思想的平凡实现也超过了在 CHAMMI 基准上报告的通道自适应方法。我们的方法为 IHC 数据集之间的跨数据集泛化开辟了新的道路，无需进行特定于数据集的调整或重新训练。
引用
@article{arxiv.2505.18745,
title = {C3R: Channel Conditioned Cell Representations for unified evaluation in microscopy imaging},
author = {Umar Marikkar and Syed Sameed Husain and Muhammad Awais and Sara Atito},
journal= {arXiv preprint arXiv:2505.18745},
year = {2025}
}