StainNet：一种快速且鲁棒的染色归一化网络

染色归一化通常指将源图像的颜色分布迁移至目标图像，已广泛应用于生物医学图像分析。传统染色归一化被视为构建逐像素的颜色映射模型，其仅依赖于一张参考图像，无法准确实现图像数据集之间的风格变换。原则上，该风格变换可借由基于深度学习的方法因其复杂网络结构而很好解决，然而其复杂结构导致计算效率低且在风格变换中产生伪影，限制了实际应用。在此，我们使用蒸馏学习降低深度学习方法的复杂度，并提出一种称为StainNet的快速且鲁棒的网路以学习源图像与目标图像间的颜色映射。StainNet能从整个数据集学习颜色映射关系，并以逐像素方式调整颜色值。逐像素方式限制了网络规模并避免了风格变换中的伪影。在细胞病理学与组织病理学数据集上的结果表明，StainNet可达到与基于深度学习的方法相当的性能。计算结果显示StainNet比StainGAN快40倍以上，且能在40秒内归一化一张100,000x100,000的全切片图像。