近日，我实验室论文“Self-supervised Digital Histopathology Image Disentanglement for Arbitrary Domain Stain Transfer”被人工智能领域国际顶级期《IEEE Transactions on Medical Imaging》（IEEE TMI）录用。实验室博土生凌宇与青年研究员谭伟敏博士为共同一作，颜波教授为通讯作者。IEEE TMI期刊由国际电气和电子工程师协会 (IEEE)于1982年创办，发表文章涉及采集技术、医学图像处理分析、可视化、模式识别、机器学习等相关领域，属于人工智能领域顶级期刊，被中科院JCR分为一区TOP期刊，影响因子为10.6。
图1论文信息
图2方法图示
图3结果对比
癌症疾病的诊断依赖于数字组织病理学染色切片图像。然而，图像染色结果因医疗机构而异，这导致染色模式之间存在差异。现有的基于生成对抗网络（GAN）的染色转移方法高度依赖于对源域和目标域的学习，并且无法处理未知域。为了克服这些障碍，我们提出了一种自监督解耦网络（SDN），用于域无关优化和任意域染色转移。SDN将图像分解为内容和染色的特征。通过交换染色特征，图像的染色样式被转移到目标域。为了优化，我们提出了一种新的自监督学习策略，该策略基于实例增强之间的染色和内容的一致性。因此，训练SDN的过程独立于训练数据的域，从而使得SDN能够处理未知域。实验结果表明，与目前的染色转换模型相比，SDN在数据集内和跨数据集染色转换方面都取得了最佳性能，并且SDN中的参数量比现有模型少三个数量级。通过染色转换，SDN无需微调即可在未训练过数据上提升下游分类模型的准确性。因此，所提出的染色分解结构框架和自监督学习策略在消除多中心组织病理学图像之间的染色差异方面具有显著优势。