STAR：用于串联组织病理图像的快速稳健刚性配准框架
计算机视觉与模式识别
2025-09-04 v1
摘要
串联整片病理组织图像（WSI）的配准对于实现不同染色方法之间的直接比较，以及在人工智能（AI）工作流程中构建配对数据集（如虚拟染色和生物标志物预测）至关重要。虽然现有方法常依赖复杂的可变形或深度学习方法，导致计算密集且难以复现，但轻量级的刚性框架（足够应用于许多连续切片场景）仍显得不足。我们引入STAR（Serial Tissue Alignment for Rigid registration），一个快速稳健的开源框架，用于多WSI配准。STAR集成了基于染色的预处理、分层粗到细相关策略、自适应核尺度以及内置质量控制，实现了对异构组织类型和多种染色协议（包括常规肠核染-赤氏染色（H&E）、特殊组织化学染色（如PAS、PASM、Masson's）以及免疫组织化学（IHC）标志物（如CD31、KI67））的可靠刚性配准。在ANHIR 2019和ACROBAT 2022数据集上进行评估，STAR在多个器官和扫描条件下均能在每张切片几分钟内产生稳定的配准，显示出对跨染色变异性和局部分离组织的鲁棒性。除基准测试外，我们还展示了H&E-IHC配准、构建多IHC面板以及典型失效模式的案例，凸显了其实用性与局限性。作为开源且轻量级工具，STAR提供了一个可复现的基准，降低了临床应用的门槛，为下一代计算病理学的大规模配对数据准备提供了支持。
引用
@article{arxiv.2509.02952,
title = {STAR: A Fast and Robust Rigid Registration Framework for Serial Histopathological Images},
author = {Zeyu Liu and Shengwei Ding},
journal= {arXiv preprint arXiv:2509.02952},
year = {2025}
}
备注
The code is available at https://github.com/Rowerliu/STAR