数字病理学中图像配准的预处理技术系统评估

图像配准指的是将两种或多种图像通过映射到共同坐标系来进行空间对齐的过程，以便在图像之间匹配对应的解剖或组织结构。在数字病理学中，配准使得来自不同染色或成像模态的信息能够直接比较和集成，支持生物标志物分析和组织重建等应用。准确地对来自不同模态的图像进行配准是数字病理学中的关键步骤。本研究考察了 various 颜色变换技术如何影响 hematoxylin and eosin (H&E) 染色图像与非线性多模态图像之间的配准。我们使用包含 20 对组织样本的数据集，对每一对样本进行多种预处理，包括不同颜色变换 (CycleGAN、Macenko、Reinhard、Vahadane)、反转、对比度调整、强度归一化和去噪。所有图像均使用 VALIS 配准方法进行配准，该方法首先应用刚性配准，然后在低分辨率图像和高分辨率图像上分别进行两步非刚性配准。通过相对目标配准误差 (rTRE) 评估配准性能。我们报告了每种方法的中位数中位数 rTRE 值 (MMrTRE) 和中位数 rTRE 值的平均值 (AMrTRE)。此外，我们使用十个手动选取的关键点进行自定义点基准评估。分别针对使用原始或反转的多模态图像进行配准。在两种情形下，CycleGAN 颜色变换实现了最低的配准误差，而其他方法表现出更高的误差。这些发现表明，在配准前应用颜色变换可改善来自不同模态的图像之间的对齐效果，并支持数字病理学中更可靠的分析。