StainFuser: Controlling Diffusion for Faster Neural Style Transfer in Multi-Gigapixel Histology Images

本文介绍了一种新的方法，StainFuser，它将组织学图像的颜色和强度特征转换为目标图像的特征，以减少突出细胞组分的染色剂在图像中出现的不一致性。StainFuser将这个问题视为一项样式转移任务，使用新颖的条件潜在扩散架构，消除了手工制作颜色组件的需要。使用这种方法，作者筛选了SPI-2M数据集，这是迄今为止最大的染色归一化数据集，包含超过200万个组织学图像，使用神经风格转移进行高质量的转换。在这些数据上训练后，StainFuser在标准化图像的质量方面优于当前最先进的GAN和手工制作方法。此外，与现有方法相比，它在作为测试时间增强方法应用于具有挑战性的CoNIC数据集的核实例分割和分类模型时提高了性能。最后，作者将StainFuser应用于多千兆像素全幻灯片图像（WSIs），并证明了在计算效率、图像质量和平铺一致性方面的改进。

本论文旨在解决组织学图像中染色不一致性问题，提出了一种新的基于条件潜在扩散的神经风格迁移方法StainFuser。

论文的关键思路是将染色一致性问题视为一种风格转移任务，并使用条件潜在扩散架构进行处理，消除了手工制作颜色成分的需要。

该论文提出了一个新的方法，使用神经风格迁移对超过200万个组织学图像进行染色标准化，结果表明StainFuser在图像标准化的质量方面优于当前最先进的GAN和手工制作方法。此外，该方法还改进了核实例分割和分类模型的性能，并在多千兆像素的全幻灯片图像上表现出更好的性能。该论文还提供了数据集和代码。

在这个领域中，最近的相关研究包括：1. "DeepStain: Inverse Histology Staining for Visualizing Whole Slide Images"；2. "StainGAN: Stain Style Transfer for Digital Histological Images Using Generative Adversarial Networks"；3. "Spatially-aware Cell Type Classification with Graph Convolutional Networks"等。