HAPS：重新思考虚拟染色图像相似性

组织病理图像的虚拟染色（如H&E-IHC）是数字病理学中的新兴工具，使可从常规获取的切片上合成目标染色，实现更快更经济的工作流程。然而，虚拟染色模型的质量仍主要依赖诸如SSIM、PSNR和LPIPS等通用指标进行评估。这些指标最初是为自然图像开发的，本质上与组织学数据的特定特征不一致，无法捕捉组织结构保持和生物标志物表达模式。因此，针对不同组织学模态之间的相似性，亟需一种稳健的领域特定标准来量化相似性。本文我们将组织学图像相似性形式化为独立问题，系统评估了广泛的一组全参考指标，并针对H&E-IHC块对数据集进行了评估——该数据集由专家相似性评分标注。我们进一步分析了指标对受控几何畸变（平移、旋转和非刚性变形）的灵敏度，这些畸变模仿了串行切片之间真实的配准误差。基于这些观察，我们提出了直方图感知感知相似性（Histology-Aware Perceptual Similarity, HAPS）指标。HAPS在在冻结的组织病理数据预训练编码器的特征空间中计算距离，添加线性头以聚合特征层次差异，生成最终得分，与专家评估相吻合。最后，我们展示了HAPS在训练数据质量控制中的实际价值。通过对MIST数据集中训练对的相似性进行量化并过滤低分样本，我们创建了一个更干净的训练集。使用该精炼数据训练的虚拟染色模型优于使用原始未过滤数据集训练的模型。