面向免疫组织化学图像细胞计数的基于排名感知的基础模型聚类
计算机视觉与模式识别
2025-11-18 v1
摘要
免疫组织化学（IHC）图像中准确计数是量化蛋白表达和辅助癌症诊断的关键任务，但由于染色颜色重叠、染色剂变化以及细胞形态多样性，仍面临挑战。回归式计数方法相较于检测式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别计数。此外，基础模型的潜在潜力在此范式中仍未得到充分挖掘。为此，我们提出一种基于排名感知的聚类框架，通过从多个强型基础模型中选择性蒸馏知识，利用其互补的表征处理IHC异质性，获取紧凑且有效的学生模型CountIHC。不同于以往任务无关的聚类策略（均将所有教师模型视为等量或依赖特征相似性），我们设计了基于排名的教师选择（RATS）策略，建模全局到局部的patch排名，以评估每位教师模型内在的计数能力，从而实现样本级的教师选择。对于多类别细胞计数，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，引导类别特定密度图的回归，从而提高重叠细胞的计数精度。广泛的实验表明，CountIHC在12种IHC生物标志物和5种组织类型上均超越了当前最先进的方法，并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。
引用
@article{arxiv.2511.12588,
title = {Rank-Aware Agglomeration of Foundation Models for Immunohistochemistry Image Cell Counting},
author = {Zuqi Huang and Mengxin Tian and Huan Liu and Wentao Li and Baobao Liang and Jie Wu and Fang Yan and Zhaoqing Tang and Zhongyu Li},
journal= {arXiv preprint arXiv:2511.12588},
year = {2025}
}