面向肝癌复发预测的下游任务引导虚拟染色-AET-电子技术应用

面向肝癌复发预测的下游任务引导虚拟染色

电子技术应用

陈宇韬1，2，马志平1，庄秋宇3

1.福州大学先进制造学院；2.福州大学电气工程与自动化学院；3.福建省孟超肝胆技术联合创新重点实验室

摘要： 针对未配对 H&E 图像到 Ki-67 免疫组化图像的虚拟染色任务，提出一种由下游任务引导的改进循环一致性生成对抗网络（CycleGAN）框架。通过在目标域判别器中引入共享编码器和辅助分类分支，对生成过程施加语义约束，增强关键病理特征保留。结合肝细胞癌术后早期复发预测任务，构建全切片图像预处理、虚拟染色与分类评估流程。结果表明，该方法在生成质量与基准模型相当的同时，具有更优的语义一致性和下游分类性能。

关键词： 图像生成肝癌预后共享编码网络

中图分类号：TP391.41 文献标志码：A DOI: 10.16157/j.issn.0258-7998.268014
中文引用格式： 陈宇韬，马志平，庄秋宇. 面向肝癌复发预测的下游任务引导虚拟染色[J]. 电子技术应用，2026，52(10)：27-33.
英文引用格式： Chen Yutao，Ma Zhiping，Zhuang Qiuyu. Downstream task-guided virtual staining for hepatocellular carcinoma recurrence prediction[J]. Application of Electronic Technique，2026，52(10)：27-33.

Downstream task-guided virtual staining for hepatocellular carcinoma recurrence prediction

Chen Yutao1，2，Ma Zhiping1，Zhuang Qiuyu3

1.College of Advanced Manufacturing， Fuzhou University；2.College of Electrical Engineering and Automation， Fuzhou University；3.The United Innovation of Mengchao Hepatobiliary Technology Key Laboratory of Fujian Province

Abstract： For the virtual staining task that translates unpaired H&E images into Ki-67 immunohistochemical images, an improved CycleGAN framework guided by the downstream task is proposed. By introducing a shared encoder and an auxiliary classification branch into the target-domain discriminator, the framework imposes semantic constraints on the generation process and improves the preservation of critical pathological features. In the context of postoperative early recurrence prediction for hepatocellular carcinoma, a complete pipeline that includes whole slide image preprocessing, virtual staining, and classification-based evaluation is established. The results show that, while the proposed method achieves generation quality comparable to that of the baseline model, it yields better semantic consistency and stronger downstream classification performance.

Key words : image generation；hepatocellular carcinoma prognosis；shared-encoder network

引言

肝细胞癌是全球常见的恶性肿瘤之一。即使接受手术切除，患者术后仍面临较高复发风险。其中，术后早期复发（≤1年）通常提示肿瘤侵袭性更强、生物学行为更差，不仅显著影响患者长期生存，也是制定个体化治疗和随访方案的重要依据[1]。因此，术后早期准确预测肝癌患者复发风险具有重要临床意义。

数字病理全切片图像（Whole Slide Image，WSI）包含丰富的多尺度组织学信息，为肿瘤诊断、分型和预后评估提供了重要依据。然而，WSI具有超高分辨率，同时存在图像尺寸大、有效区域分布稀疏、冗余背景较多及精细标注成本高等问题[2-3]。由于难以将整张切片直接输入神经网络，现有方法通常先将WSI划分为若干图像块（patch），再通过特征提取与信息聚合获得切片级预测结果[4]。但patch级精细标注往往需要病理专家逐一完成，成本高且难以推广至大规模数据场景。为降低标注负担，多实例学习（Multiple Instance Learning，MIL）逐渐成为WSI弱监督分析的重要研究范式。在MIL框架下，模型仅利用WSI级标签进行训练，通过聚合多个实例特征完成切片级判别，从而避免对每个patch进行显式标注。相关研究表明，MIL方法在多种组织病理分类任务中取得了与全监督方法相当甚至更优的性能[5-6]。其中，代表性方法CLAM[7]通过引入注意力机制，在仅使用切片级标签的条件下实现了诊断相关区域的自动定位和癌症亚型分类，为弱监督病理分析提供了有效思路[8]。

从病理信息表征角度看，常规H&E染色主要反映组织形态学结构，虽是病理诊断的基础，但在表征与肿瘤复发密切相关的细胞增殖活性等功能性信息方面仍存在一定局限。相比之下，Ki-67免疫组织化学（Immunohistochemistry，IHC）染色能够更直接反映细胞增殖状态及肿瘤生物学侵袭性，因此在术后复发风险评估中具有更高的潜在价值。然而，IHC染色通常存在制备成本高、周期长以及跨中心数据共享困难等问题。传统基于几何变换和颜色扰动的数据增强方法虽然能够在一定程度上提升模型鲁棒性，但难以引入与目标任务相关的新增语义信息，因此对缓解功能性染色模态匮乏问题的作用有限[9-11]。在医学图像分析领域，数据获取困难、设备采集标准不统一及患者隐私保护限制等因素长期导致样本稀缺问题。为缓解模型训练中的过拟合并提升有限样本的利用率，基于生成模型的合成数据增强方法逐渐受到关注，其目标在于通过生成高质量新样本扩充数据集规模并增加数据分布的多样性。例如，Xue等人提出HistoGAN，通过条件生成对抗网络合成具有类别标签约束的组织病理图像块，用于提升宫颈组织病理图像和淋巴结转移癌组织病理图像的分类性能[12]。

近年来，基于生成对抗网络的虚拟染色方法为解决上述问题提供了新思路。特别是CycleGAN这类无监督图像转换模型能够在非配对数据条件下实现跨染色域映射，从而为虚拟染色提供了技术基础[13-14]。然而，现有CycleGAN方法主要依赖对抗损失和循环一致性约束，其优化目标更多集中于生成图像与目标域在视觉分布上的接近，缺乏面向下游预测任务的显式语义引导。因此，生成图像虽在视觉上较为逼真，但未必能够充分保留与复发风险判别相关的关键病理特征，甚至可能因分布漂移削弱模型的泛化能力。与此同时，尽管组织病理图像的数据增强研究已取得一定进展，但如何将生成图像有效用于提升下游分类任务性能的研究仍相对匮乏。

针对上述问题，本文提出一种由下游任务引导的虚拟染色框架SE-CycleGAN，用于实现H&E到Ki-67的虚拟染色，并服务于肝癌术后早期复发预测任务。此外，针对WSI分辨率高、冗余区域多及数据异质性强等问题，本文设计了一套面向弱监督分析的预处理流程。实验结果表明，所提方法能够提升虚拟Ki-67图像在肝癌术后早期复发预测中的应用价值，并在分类性能与病理相关特征保持之间取得更优平衡。

本文的主要贡献如下：（1）针对病理WSI分辨率高、冗余信息多且标注成本高的问题，构建了一套结合组织区域提取、质量控制、注意力筛选和染色归一化的高效预处理流程，有效降低了计算负担，并保留了关键判别区域；（2）提出一种由下游复发预测任务引导的虚拟染色框架SE-CycleGAN，通过在判别器中引入共享编码器和辅助分类分支，增强生成图像对关键病理特征的保持能力；（3）系统评估了不同虚拟Ki-67数据构建策略在下游分类任务中的应用效果，验证了生成图像可以作为数据增强手段提升复发预测性能。

本文详细内容请下载：

http://www.chinaaet.com/resource/share/2000007286

作者信息：

陈宇韬1，2，马志平1，庄秋宇3

（1.福州大学先进制造学院，福建泉州 362000；

2.福州大学电气工程与自动化学院，福建福州 350000；

3.福建省孟超肝胆技术联合创新重点实验室，福建福州 350000）

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容