Intensity and Landmark Based Registration Under Stain Normalization: A Comparative Study on Differently Stained Histopathology Images

在病理实验室安静且灯火通明的房间里，癌症的诊断往往始于一个简单的动作：将一片人体组织放在玻璃载玻片上，用化学染料进行处理，然后在显微镜下观察。这些被称为染色剂的染料是至关重要的工具，它们能将肉眼不可见的细胞结构转化为可见的色彩，让医生能够分辨出健康细胞与病变细胞之间的差异。然而，准备这些载玻片的工艺并非完全统一。正如一位画家可能会调配出一批比上一批稍深或稍浅的蓝色颜料一样，组织切片的化学染色在不同样本之间也会存在差异。即使下方的组织完全相同，一张载玻片可能呈现深紫色细胞核，而另一张则呈现较浅的色调。这种变化为试图分析这些图像的计算机制造了显著障碍。当研究人员想要比较同一位患者在不同时间拍摄的多张载玻片，或者结合不同类型的染色以获取完整的图像时，他们必须使这些图像完美对齐。这个过程被称为“配准”（registration），就像试图将两张绘制着不同墨水颜色且比例略有不同的同一座城市的透明地图进行叠加一样。如果颜色差异太大，计算机就会感到困惑，无法正确对齐街道。

来自奥卢大学和赫尔辛基大学的一个研究小组致力于解决这个特定的问题，即如何对染色方式不同的组织病理学图像进行对齐。他们专注于全切片图像（whole-slide images），这是一种分辨率极高的组织样本数字化扫描件，通常包含数十亿个像素。研究人员测试了三种不同的方法，以观察哪一种能最好地对齐这些不匹配的图像。其中两种方法依赖于每一个像素的亮度和颜色，本质上是试图通过让粉色和紫色的色调看起来完全一致来匹配图像。第三种方法则采取了不同的策略：它完全忽略了颜色，转而寻找特定的、可识别的解剖学特征点（例如独特的细胞簇形状或血管），以此来引导对齐。为了确保测试的公平性和严谨性，研究团队首先使用了一个专门的计算机模型人工改变了图像的颜色，从而模拟真实实验室中发生的自然变化。随后，他们应用这些对齐技术，以观察哪种方法能够在处理颜色混乱的同时，仍能保持组织的结构细节。

研究结果显示，面对染色变化时，有一个明确的胜出者。依靠匹配特定解剖学特征点的方法被证明是最稳健且最准确的。通过专注于组织内物理形状和位置而非颜色，这种方法即使在染色差异巨大的情况下也能成功对齐图像。研究人员发现，无论图像处于原始的、多变的颜色状态，还是经过处理变得更加统一，这种基于特征点的技术都能保持高度的精确度。相比之下，依赖于像素强度的两种方法在颜色发生变化时表现得非常吃力。其中一种基于强度的工具在处理原始图像时表现尚可，但一旦颜色经过标准化处理，其准确性便大幅下降，无法正确对齐组织结构。另一种基于强度的工具在颜色调整后表现出了一定的提升，显示出增强的韧性，但仍无法达到基于特征点方法的连贯性和可靠性。

该研究还强调了名为 StainNet 的深度学习模型的有效性，该模型被用于在测试对齐方法之前对图像颜色进行标准化处理。该模型成功地将多变的染色转化为一致的外观，就像照片编辑器调整白平衡以使一系列照片看起来是在相同的光照条件下拍摄的一样。虽然这种颜色校正有助于提高基于强度方法的表现，但它并不能挽救它们在根本上的弱点：这些方法仍然过于依赖特定的颜色色调才能正常运作。然而，基于特征点的方法在整个过程中始终保持稳定和精确。研究人员通过计算特定点在对齐后实际位置与应有位置之间的距离来衡量每种方法的准确性。基于特征点的方法始终产生最小的误差，通常能将错位控制在五个像素以内，而基于强度的方法产生的误差有时则是前者的数十倍，尤其是在图像经过颜色校正之后。

尽管基于特征点的方法取得了明显的成功，但研究人员也指出仍然存在一个实际的挑战。虽然计算机一旦识别出这些特征点就能完美地对齐图像，但寻找并标记组织上的这些特定点需要人类专家观察图像并进行标注。这一手动步骤既耗时又需要高超的技术。研究表明，该领域的未来在于教计算机自动识别这些特征点，从而将基于特征点方法的可靠性与自动化的速度结合起来。在此之前，研究结果证实，对于对齐不同染色组织样本这一复杂任务，依赖组织的物理结构远比尝试匹配颜色更为有效。这一区别对于数字病理学的未来至关重要，因为准确的对齐对于随时间比较患者数据以及开发能够辅助更精准诊断癌症的自动化工具而言是必不可少的。