2025_NIPS_D-VST: Diffusion Transformer for Pathology-Correct Tone-Controllable Cross-Dye Virtual Sta

一、文章主要内容总结

该研究提出了一种基于扩散Transformer的病理图像虚拟染色框架D-VST，用于解决跨染料虚拟染色中的病理准确性和色调可控性问题。核心目标是实现无“病理泄漏”（避免非病理区域被误染或反之）、支持灵活色调调节的超高分辨率全切片图像（WSI）虚拟染色，同时兼顾效率与质量。

研究在三大跨染料染色任务（HE到IHC、FFPE到HE、HE到mIHC）上开展实验，通过双编码器（病理编码器+色调编码器）、两阶段课程学习和频率感知自适应补丁采样策略，在结构相似性（SSIM）、峰值信噪比（PSNR）等多个指标上超越GAN和现有扩散模型方法，且下游癌症状态分类任务准确率接近真实染色图像（94.17% vs 95%）。

二、核心创新点

1. 首个支持色调控制的跨染料扩散模型：D-VST首次实现扩散模型在病理图像跨染料染色中的色调可控性，通过分离病理和色调条件，避免病理泄漏。
2. 两阶段课程学习方案：第一阶段专注从源图像提取病理结构，第二阶段注入色调信息并通过高斯模糊和随机dropout削弱色调图像中的病理干扰，实现两者解耦。
3. 频率感知自适应补丁采样：针对WSI超高分辨率处理需求，基于图像频率分布自适应采样补丁，低频率区域多采样以减少“马赛克”伪影，高频率区域少采样控制计算成本，实现零