UNIStainNet：基于基础模型的 H&E 向 IHC 虚拟染色
计算机视觉与模式识别
2026-03-16 v1 机器学习
图像与视频处理
摘要
从肉眼和染素 (H&E) 图像进行虚拟免疫组织化学 (IHC) 染色，可通过提供来自常规切片的初步分子信息来加快诊断速度，减少组织量不足时需重复切片的需求。现有方法通过对比目标、原型匹配或领域对齐来提高真实感，但生成器本身未接收到病理基础模型的直接指导。我们提出了 UNIStainNet，一种基于 SPADE-UNet 的模型，条件化来自冻结的病理基础模型（UNI）的稠密空间标记，为染色转换提供组织级别的语义指导。我们设计了一种不平衡感知损失组合，保留染色定量精度，并通过学习的染色嵌入实现单个模型服务于多个 IHC 标记。 在 MIST 数据集上，UNIStainNet 实现了四种染色（HER2、Ki67、ER、PR）的所有分布指标的领先表现，这些指标均来自单个统一模型，而之前的方法通常需要为每个染色项目训练单独的模型。在 BCI 数据集上，它也取得了最佳的分布指标。组织类型分层的失效分析揭示，剩余错误集中于非肿瘤组织。代码已公开于 https://github.com/facevoid/UNIStainNet。
引用
@article{arxiv.2603.12716,
title = {UNIStainNet: Foundation-Model-Guided Virtual Staining of H&E to IHC},
author = {Jillur Rahman Saurav and Thuong Le Hoai Pham and Pritam Mukherjee and Paul Yi and Brent A. Orr and Jacob M. Luber},
journal= {arXiv preprint arXiv:2603.12716},
year = {2026}
}