基于层次化特征整合与局部图像模式的病理图像超分辨率重建技术

本研究针对病理图像超分辨率重建中存在的伪影、过度平滑和推理速度慢等问题，开发了基于局部病理图像模式的层次化深度学习框架HLIP。该框架通过整合语义特征与像素/形态学特征，利用识别的局部病理图像模式重建超分辨率图像，在内外测试集上均表现出最优性能，为计算机辅助诊断系统提供了高效的图像预处理工具。

　　

病理成像技术的最新进展使得基于高分辨率图像进行单细胞和亚细胞水平分析成为可能，这些分析在肿瘤分型、细胞形态学评估和感染检测中发挥着关键作用。由于高分辨率成像往往受到成本限制，超分辨率方法仅需低分辨率数据即可提供实用替代方案。然而现有方法普遍存在伪影、过度平滑和推理速度慢等缺陷。

本研究开发了一种基于局部病理图像模式的层次化深度学习框架——层次化局部图像模式（Hierarchical Local Image Patterns, HLIP），该框架能够实现灵活放大倍率的精准、高保真实时超分辨率重建。HLIP创新性地将语义特征与像素级、形态学级特征进行整合，并通过识别的局部病理图像模式重构超分辨率图像。

基准测试表明，HLIP在内部和外部测试数据集上均展现出最优的性能和鲁棒性。生成的高分辨率图像富含病理细节且保持高度保真度。该技术可应用于多种临床场景的模型增强，包括腺体分割、细胞分割、幽门螺杆菌（Helicobacter pylori）检测以及治疗反应预测。凭借其在病理图像超分辨率领域的卓越表现，HLIP为计算机辅助系统提供了多功能图像预处理工具，从而为临床实践中的精准诊断提供有力支持。