ThinkLIF：基于多尺度辅助表示的免疫组化（IHC）组织病理学中核分割算法

《BMC Medical Imaging》：ThinkLIF: multi-scale auxiliary representation guided nuclear segmentation in IHC histopathology

　　

摘要

背景

组织微环境的可靠分析往往受到标准免疫组化（IHC）中可用分子信息有限以及多重免疫荧光（mpIF）高成本的制约。尽管深度学习促进了计算病理学的发展，但现有方法仍面临染色异质性和细胞边界不明确的问题，因为它们通常缺乏明确的、对形态敏感的结构精细化机制。

方法

我们提出了ThinkLIF，这是一个基于辅助表示的框架，用于Ki67染色IHC图像中的细胞核分割。该模型生成类似染色的辅助表示，并通过ConvNeXt风格的分割头、GatedFusion和基于FiLM的AuxSkipAdapter将这些辅助表示与原始IHC输入整合起来，以改进多尺度边界精细化。

结果

在BCData和DeepLIIF基准测试中的实验表明，ThinkLIF实现了具有高度竞争力的分割性能。在BCData上，它在所比较的方法中获得了最佳的像素精度（Pixel Accuracy）、 Dice值、IoU和AJI（Area Join Index）。在DeepLIIF上，它获得了最佳的Dice值、IoU和IHC量化差异（IHC Quantification Difference），同时保持了良好的AJI性能。总体而言，这些结果支持在异质性组织病理条件下改善边界勾勒、实例分离和细胞级Ki67评分的一致性。

结论

ThinkLIF通过结合原始形态学数据和类似染色的辅助表示，为从广泛可获取的IHC图像中改进细胞核分割提供了一种有效方法。在这些辅助输出能够被解释为定量分子指标之前，还需要进一步的验证。