[2025CVPR-图象合成、生成方向]ODA-GAN：由弱监督学习辅助的正交解耦比对GAN 虚拟免疫组织化学染色

目录

1. ​背景和动机​

2. ​方法概述：ODA-GAN框架​

2.1 ​弱监督分割管道​

2.2 ​样本重新划分策略​

2.3 ​ODA-GAN核心模块​

3. ​实验设置与结果​

3.1 ​数据集和评估指标​

3.2 ​性能比较​

3.3 ​消融研究​

4. ​结论与贡献​

---

1. ​背景和动机​

虚拟免疫组化（IHC）染色技术旨在通过生成模型将H&E染色图像转换为IHC染色图像，从而避免繁琐的物理染色过程（如重复切片和抗体处理）。然而，现有方法面临关键挑战：

• ​染色不真实与不可靠性​：大多数方法（如CycleGAN）依赖循环一致性损失，但受限于双射映射假设（bijective mapping），导致跨域映射错误（例如，H&E阳性信号被误映射为IHC阴性信号）。
• ​对比学习矛盾​：CUT类方法通过最大化域间互信息来保留内容一致性，但忽略了病理一致性——相同染色标签的子块被错误地视为负样本并被推远，影响染色准确性。
• ​标注成本高昂​：获取专家注释的染色标签（如抗原阳性区域）耗时费力，限制了模型训练。

为此，论文提出ODA-GAN框架，通过弱监督学习和特征解耦解决这些问题，实现更真实、可靠的虚拟IHC染色。核心假设是：图像特征可分为染色相关特征（影响IHC染色分布和强度）和染色无关特征（如组织形态）。