SCFANet：面向病理染色翻译的风格分布约束特征对齐网络
计算机视觉与模式识别
2025-04-02 v1
摘要
免疫组织化学（IHC）染色是一种通过抗体介导的可视化来检测特定抗原或蛋白的有价值技术。然而，IHC染色过程既耗时又昂贵。为此，针对将成本效益较好的 Hematoxylin and Eosin（H&E）染色图像直接翻译为IHC染色图像的深度学习模型应用不断涌现，成为一种高效解决方案。然而，H&E到IHC图像的转换面临着显著挑战，主要源于图像对之间的对齐差异以及IHC染色风格模式的内在多样性。为此，我们提出一种风格分布约束特征对齐网络（SCFANet），其包含两种创新模块：风格分布约束器（SDC）和特征对齐学习（FAL）。SDC确保生成图像与目标图像的风格分布一致，并整合循环一致性损失以保持结构一致性。为缓解直接图像到图像翻译的复杂性，FAL模块将端到端翻译任务分解为两个子任务：图像重构与特征对齐。此外，我们通过保持病理模式一致性和光学密度（OD）均匀性，确保生成图像与目标图像之间的病理一致性。广泛在乳腺癌免疫组织化学（BCI）数据集上进行的实验表明，SCFANet模型在现有方法之上实现了卓越的表现，实现了将H&E染色图像精确转换为其IHC染色图像的能力。该提议方法不仅解决了H&E到IHC图像翻译中的技术挑战，也为病理分析中准确且高效的染色转换提供了稳健框架。
引用
@article{arxiv.2504.00490,
title = {SCFANet: Style Distribution Constraint Feature Alignment Network For Pathological Staining Translation},
author = {Zetong Chen and Yuzhuo Chen and Hai Zhong and Xu Qiao},
journal= {arXiv preprint arXiv:2504.00490},
year = {2025}
}