医药行业
在病理诊断中，苏木精-伊红（H&E）染色是观察组织形态的常用方法。苏木精将细胞核染成蓝紫色，伊红则将细胞质和细胞外基质染成粉红色。病理医生通过显微镜观察这些染色切片，来判断细胞是否发生癌变。而在确定癌症类型的过程中，准确识别癌症细胞质区域是一个关键环节。
近年来，高光谱成像技术逐渐进入病理学研究的视野。与常规的CMOS相机相比，高光谱相机能够获取更丰富的细胞信息。但这项技术在实际应用中面临两个现实问题。
第一个问题是数据获取困难。 高光谱图像的采集成本较高，建立大规模的标注数据集并不容易。而深度学习模型恰恰需要大量数据才能有效工作。第二个问题是仪器噪声。 基于线推扫方式的高光谱相机在成像过程中，常常会产生垂直或水平的条纹噪声、像素偏移等问题。这些噪声因设备特性和使用环境而异，难以完全避免。
针对这些问题，在《Informatics in Medicine Unlocked》期刊上发表了一项研究。他们提出了一种数据增强方法，利用CMOS图像生成模拟真实仪器噪声的伪高光谱图像，用于训练U-Net分割模型。
1. 为什么用CMOS图像来做增强？
一个直接的考虑是标注成本。高光谱图像中的癌症细胞质纹理复杂，在灰度图像中手动标注既耗时又费力。相比之下，CMOS图像视觉清晰，标注效率高得多。研究团队的思路是：用容易标注的CMOS图像生成带有噪声的伪高光谱图像，再用这些图像来训练模型。
第一步，色彩转换与亮度调整。 将CMOS RGB图像转换为灰度图，通过伽马校正和直方图均衡化调整亮度，使其接近高光谱图像在特定波段（如580 nm）的视觉效果。
第二步，添加仪器噪声。 在图像中随机加入垂直和水平的噪声线，模拟实际高光谱相机中因传感器灵敏度差异或信号处理产生的条纹噪声。垂直噪声线的数量在19到29条之间，水平噪声线的位置和宽度也做了随机化处理。此外还模拟了信息丢失和像素偏移。
第三步，几何变换。 对生成的伪图像进行裁剪、翻转、平移等操作，进一步扩充数据集。
通过这套流程，44张原始CMOS图像生成了792张伪高光谱图像，与44张原始高光谱图像合并后，训练集达到836张。
2. 实验效果如何？
研究团队用5折交叉验证评估了模型性能，采用的指标是IoU（交并比）和Dice系数。
仅用44张原始高光谱图像训练时，IoU为0.5786，Dice系数为0.7304。加入伪高光谱图像后，IoU提升到0.6458，Dice系数提升到0.7820——IoU提高了约11.6%，Dice系数提高了约7.1%。
研究还发现，图像亮度和细胞密度会影响分割效果。较暗的图像类型和细胞核密集的图像类型，分割准确率相对较低。这说明模型对图像质量有一定依赖，也提示了未来改进的方向。
3. 这项研究的意义在哪里？
对于高光谱病理图像的处理来说，数据稀缺和仪器噪声是两个绕不开的障碍。这项研究提供了一个可操作的思路：与其费力去噪，不如在训练阶段就让模型学会应对噪声。通过CMOS图像生成带有仪器噪声的伪高光谱图像，既解决了标注困难的问题，也增强了模型对噪声的鲁棒性。
当然，这项研究也有局限。实验数据来自犬类乳腺肿瘤样本，且图像类型只有七种。更复杂的样本类型和更大的数据集，还需要逐步积累。
但从方法层面看，这种“用易标注图像生成带噪声训练样本”的思路，对于高光谱显微成像在病理诊断中的应用，提供了一个值得参考的实践路径。随着高光谱成像设备在病理科的逐步普及，类似的数据增强方法或许能帮助研究人员更高效地训练模型，减少对大规模人工标注的依赖。
免责声明
本内容为公开学术（文献链接：https://www.sciencedirect.com/science/article/pii/S2352914826000213） 整理编撰，仅用于行业技术探讨与科普学习，不作任何商业相关承诺，亦不能作为投资参考依据。文中所列各项实验数据与结论会受试验环境、样本个体区别、模型构建方案等多重变量干扰，若落地实际场景使用，相关效果需结合自身场景另行实测核验。
