Histo-Diffusion：面向数字病理学的数字扩散超分辨方法及其综合质量评估

过去十年，数字病理学取得了显著进展，全切片图像（Whole Slide Images, WSIs）包含了对于准确疾病诊断至关重要的大量数据。高分辨率WSIs对于精准诊断至关重要，但扫描设备的技术限制和切片准备过程中的变异性可能阻碍获取这些图像。超分辨率技术可以增强低分辨率图像；尽管生成对抗网络（GAN）在自然图像超分辨率任务中表现出色，但在组织病理学领域常因过拟合和模式崩溃而难以胜任。传统评估指标在评估组织病理学图像的复杂特征方面不足，亟需robust的组织学专用评估方法。我们引入Histo-Diffusion，一种专为在数字病理学中生成和评估超分辨率图像而设计的扩散方法。它包含用于组织病理学先验的恢复模块，以及用于生成高质量图像的可控扩散模块。我们构建了两个组织病理学数据集，并提出了综合性的评估策略，该策略综合运用了全参考和无参考指标，对数字病理学图像的质量进行全面评估。与最新方法在多个数据集上的比较分析表明，Histo-Diffusion优于GAN。该方法为组织病理学图像的超分辨率提供了一种灵活的解决方案，能够处理来自不同输入尺寸的多分辨率生成，为诊断过程提供有价值的支持。