面向免疫组织化学图像细胞计数的基于排名的模型聚合

免疫组织化学（IHC）图像中准确计数细胞对于量化蛋白表达和辅助癌症诊断至关重要。然而，该任务因染色物重叠、变异的生物标记染色以及多样化的细胞形态而具有挑战性。回归方法相较于检测方法在处理重叠细胞方面具有优势，但很少支持端到端的多类计数。此外，foundation models的潜力在该范式中仍未得到充分探索。为此，我们提出了一种基于排名的聚合框架，通过选择性地从多个强大的foundation模型中蒸馏知识，利用其互补的表征来处理IHC异质性并获得紧凑而有效的学生模型CountIHC。不同于以往无任务感知的聚合策略（要么对所有教师模型平等对待，要么依赖特征相似性），我们设计了基于排名的教师选择（RATS）策略，通过建模全局到局部的patch排名来评估每个教师模型内在的计数能力，从而实现样本级的教师选择。对于多类细胞计数，我们引入一个微调阶段，将该任务重新表述为视觉-语言对齐。从结构化文本提示中派生的离散语义锚点编码了类别和数量信息，指导回归类别特定的密度图，从而提高重叠细胞的计数精度。大量实验表明，CountIHC在12种IHC生物标记和5种组织类型上均超越了当前最先进的方法，同时与病理学家的评估高度一致。其在H&E染色数据上的有效性进一步确认了所提方法的可扩展性。