PAINT：面向虚拟免疫组化的病理感知集成下一尺度变换
计算机视觉与模式识别
2026-01-23 v1
摘要
虚拟免疫组化旨在从常规苏木精-伊红图像中计算合成分子染色模式，为传统物理染色提供了一种成本效益高且组织高效的替代方案。然而，这项任务尤其具有挑战性：H&E 形态学提供的关于蛋白质表达的线索模糊不清，相似的组织结构可能对应不同的分子状态。现有方法大多侧重于直接外观合成，以隐式实现跨模态生成，但由于结构先验不足，常常导致语义不一致。在本文中，我们提出了病理感知集成下一尺度变换（PAINT），这是一个视觉自回归框架，将合成过程重新定义为结构优先的条件生成任务。与直接的图像转换不同，PAINT 通过以全局结构布局为条件解析分子细节来强制执行因果顺序。该方法的核心是引入空间结构起始图（3S-Map），它将自回归初始化建立在观察到的形态学基础上，确保了确定性的、空间对齐的合成。在 IHC4BC 和 MIST 数据集上的实验表明，PAINT 在结构保真度和临床下游任务方面均优于最先进的方法，验证了结构引导的自回归建模的潜力。
引用
@article{arxiv.2601.16024,
title = {PAINT: Pathology-Aware Integrated Next-Scale Transformation for Virtual Immunohistochemistry},
author = {Rongze Ma and Mengkang Lu and Zhenyu Xiang and Yongsheng Pan and Yicheng Wu and Qingjie Zeng and Yong Xia},
journal= {arXiv preprint arXiv:2601.16024},
year = {2026}
}