Pathological Semantics-Preserving Learning for H&E-to-IHC Virtual Staining

传统的苏木精-伊红染色只能显示细胞形态和分布，而免疫组化染色则提供了在分子水平上精确和特异的蛋白质激活可视化。虚拟染色技术已成为高效的免疫组化检查解决方案，它可以直接将苏木精-伊红染色图像转换为免疫组化染色图像。然而，虚拟染色面临着病理语义挖掘不足和病理语义空间不一致等挑战。为了解决这些问题，我们提出了病理语义保留学习方法，用于虚拟染色（PSPStain），它直接融合分子水平的语义信息，并增强语义交互性，尽管存在空间不一致。具体而言，PSPStain包含两种新颖的学习策略：1）具有焦点光密度（FOD）图的蛋白质感知学习策略（PALS）维护蛋白质表达水平的一致性，代表分子水平的语义信息；2）原型一致性学习策略（PCLS），通过原型一致性学习增强跨图像的语义交互。我们使用五个指标评估了PSPStain在两个公共数据集上的性能：三个临床相关指标和两个图像质量指标。广泛的实验表明，PSPStain优于当前最先进的苏木精-伊红染色到免疫组化染色的虚拟染色方法，并展示了真实和虚拟染色分级之间的高病理相关性。

论文旨在解决虚拟染色技术中缺乏病理学语义信息和空间不一致的问题，提出了一种保留病理学语义信息的虚拟染色学习方法

该方法包括两种新颖的学习策略：PALS和PCLS，分别维护分子水平的语义信息和增强跨图像的语义交互。

论文使用两个公共数据集进行了广泛的实验评估，证明该方法优于当前最先进的H&E-to-IHC虚拟染色方法，并展示了真实和虚拟染色之间的高病理学相关性。

与该论文相关的研究包括：Virtual staining of pathology images using conditional generative adversarial networks, Deep learning for virtual H&E staining of unlabeled tissue microscopy images, Virtual Hematoxylin and Eosin Transillumination Microscopy Using Epi-Fluorescence Imaging