Unsupervised Latent Stain Adaptation for Computational Pathology

在计算病理学中，深度学习（DL）模型用于分割或组织分类等任务，因不同染色技术而存在领域转移问题。染色适应旨在通过在源染料上训练模型，以便推广到目标染料，从而减少不同染料之间的泛化误差。尽管目标染料数据丰富，但一个关键挑战是缺乏注释。为了解决这个问题，我们提出了一种称为无监督潜在染色适应（ULSA）的人工标注和未标注数据之间的联合训练，包括所有可用的染色图像。我们的方法使用染色转换来丰富标记源图像，并生成合成目标图像，以增加监督信号。此外，我们利用未标记的目标染色图像，使用染色不变特征一致性学习。通过ULSA，我们提出了一种半监督策略，用于在没有注释目标染料数据的情况下进行高效的染色适应。值得注意的是，ULSA在全幻灯片图像（WSIs）的补丁级分析中是任务不可知的。通过对外部数据集的广泛评估，我们证明ULSA在肾脏组织分割和乳腺癌分类方面实现了最先进的性能，跨越了各种染色变化的范围。我们的研究结果表明，ULSA是计算病理学中染色适应的重要框架。

解决问题：论文试图解决不同染色技术导致深度学习模型在计算病理学任务中出现领域偏移的问题，提出一种无监督潜在染料适应方法，以有效适应新的染色技术。

关键思路：使用染色转换和无标签目标染料图像，提出半监督方法来实现染色适应，从而提高对新染料的泛化能力。

论文使用ULSA框架，在不同染色技术下的肾脏组织分割和乳腺癌分类任务中取得了最先进的结果。该框架可以在整个WSI的补丁级别分析中使用，而且还可以通过使用合成目标图像来增加监督信号。此外，论文还提供了开源代码和使用的数据集。

相关研究：最近的相关研究包括：1）使用生成对抗网络进行染色转换的方法；2）使用对抗学习进行染色适应的方法。