利用DAPI引导的条件扩散学习方法，实现高精度、无需标记的3D全息组织虚拟H&E染色

《International Journal of Computer Assisted Radiology and Surgery》：High-precision label-free virtual H&E staining of 3D holotomography using DAPI-guided conditional diffusion learning

　　

摘要

目的

传统的苏木精和伊红（H&E）染色方法具有破坏性，且主要局限于二维切片。我们的目标是开发一种实用的虚拟染色方法，该方法能够从无标记的三维全层成像（HT）数据中生成类似H&E染色的图像，同时保持细胞核的形态，并且在推理阶段仅需要使用HT数据。

方法

我们设计了一个基于DAPI的conditional diffusion模型，该模型包含一个共享的编码器和两个解码器（分别用于H&E和DAPI）。在训练过程中，模型以HT数据作为条件输入，并使用均方误差目标来预测H&E和DAPI目标的扩散噪声。DAPI仅在训练过程中用于以细胞核为中心的引导。数据是通过以下顺序协议从同一组织中获取的：先进行HT成像，然后是DAPI成像，最后是H&E成像。由于全局仿射配准后仍存在局部非线性组织变形，因此HT-H&E对被视为弱配对，而HT-DAPI对则具有更强的局部对应关系。

结果

与CycleGAN基准模型相比，所提出的模型生成的细胞核形态更加真实，结构一致性也更好。在独立测试样本上，基于DAPI的扩散算法的FID和KID值更低（FID：9.2158；KID：0.0091 ± 0.0035），而未经DAPI处理的CycleGAN模型对应的FID和KID值分别为14.7447和0.0434 ± 0.0067。

结论

仅使用DAPI进行训练的引导方法能够在推理阶段无需额外使用DAPI的情况下，从无标记的HT数据中生成逼真的H&E染色图像。这种弱配对的训练设计降低了对昂贵像素级配准的依赖性，支持可扩展的、无损的数字化组织病理学工作流程。