2026.7.14
本文提出USD-PG，用渐进式染色风格和空间变换进行无监督预训练，提升病理组织分类模型对未知扫描仪和数据源的单域泛化能力。
Title题目
01
通过渐进式域变换实现组织分类的无监督单域泛化
Unsupervised single-domain generalization for tissue classification via progressive domain transformation
文献速递介绍
02
论文从计算病理的实际部署问题出发：组织分类模型在理想化数据集上表现良好，但一旦应用到不同扫描仪、不同染色或不同机构来源的病理图像上，就会受到域偏移影响而明显退化。作者用同一张组织切片经不同扫描仪成像后的WSI和分割结果说明，即使输入组织内容相同，同一个patch级分类模型也可能产生差异很大的WSI级预测。已有域泛化方法多依赖多个源域和域标签，而单域泛化更符合许多真实场景，因为实际训练时往往只能访问一个机构或一种扫描条件下的数据。现有基于随机图像变换的单域泛化方法可以扩展源域分布，但对病理图像而言，过强且完全随机的颜色和纹理扰动容易生成不真实图像，尤其会破坏训练早期的表征学习。为此，本文提出USD-PG框架，通过渐进式的风格变换和空间变换平滑扩展源域，并同时发布一个多扫描仪结直肠癌病理数据集，用于系统评估扫描仪导致的域偏移。
相关工作
相关工作部分首先回顾了病理图像patch级分类。由于WSI尺寸巨大且像素级标注成本高，许多研究采用patch级分类作为组织识别的基础形式，并常将ImageNet预训练模型迁移到病理任务中。随后，作者区分了多源域泛化和单源域泛化：多源域泛化通常通过域对齐或集成学习从多个源域中寻找共享特征，但依赖域标签和多源数据；单源域泛化则更困难，常通过图像空间或特征空间的数据增强来模拟未知域。作者指出，自然图像中的单域泛化方法不一定适用于病理图像，因为病理图像的颜色、染色和组织结构具有特殊语义，过度扰动可能改变关键诊断信息。最后，论文讨论自监督学习，尤其是对比学习和非对比学习在无标签表征学习中的作用，并指出现有无监督域泛化多面向多源域设置，难以直接满足单域无监督病理泛化需求。
Aastract摘要
03
组织分类是计算病理中的基础任务，但H&E病理图像会因扫描仪、染色风格和数据来源不同产生显著域偏移，导致模型在真实临床场景中性能下降。本文提出无监督单域渐进泛化框架USD-PG，在MoCoV2式对比学习中引入Style-PDT和Spatial-PDT两类渐进式数据变换，使模型从单一源域中学习对染色风格和空间扰动更稳健的域不变表征。作者还构建并发布GDPH-CRC-HE-MS多扫描仪结直肠癌H&E组织分类数据集，包含101张切片、最多6种扫描仪生成的WSI以及9类组织标签。实验表明，USD-PG在GDPH-CRC-HE-MS和NCT-CRC-HE-100K/K19数据集上均优于多种自监督学习和单域泛化基线，在不同训练源域下获得更高、更稳定的加权F1分数。消融实验进一步证明，渐进式策略、Style-PDT、Spatial-PDT和三分支结构均对泛化性能提升有贡献。
Method方法
04
本文方法的核心是无监督单域渐进泛化框架USD-PG。它以MoCoV2为基础，对每个输入图像生成三个视图：弱增强视图x+、风格渐进增强视图xc和空间渐进增强视图xs。弱增强视图通过动量编码器产生正样本嵌入z+并维护负样本队列，风格增强和空间增强视图则通过主编码器得到zc和zs，分别与z+构成对比学习目标。总损失由风格分支损失和空间分支损失加权组成，使模型同时学习对染色风格变化和空间形态扰动稳定的表征。Style-PDT针对病理图像中最显著的颜色和染色风格域差异，先利用H&E染色的光密度空间信息构建前景与背景掩膜，再在RGB、HSV、LAB和HED等颜色空间中用均值和标准差参数生成虚拟染色模板，并随着训练epoch逐步扩大参数采样范围。这样做的目的是在训练早期避免过于激烈和不真实的颜色扰动，后期再逐渐扩展风格分布覆盖。Spatial-PDT则围绕旋转、剪切、平移、裁剪、posterize等空间变换建立变换库，并随训练推进逐渐增加施加的变换数量，让模型逐步学习空间不变性而不是一开始就承受强扰动。三分支结构将弱增强、风格变换和空间变换分开建模，有助于分别吸收两类域变化带来的信息。
数据集
论文使用两个数据集评估方法。第一个是作者新构建并发布的GDPH-CRC-HE-MS数据集，包含广东省人民医院101名结直肠癌患者的H&E切片，每张切片最多由6种扫描仪扫描成WSI，对应S01到S06六个域。该数据集定义9类组织：脂肪ADI、背景BACK、碎屑或坏死等DEB、淋巴细胞LYM、黏液MUC、平滑肌MUS、正常结肠黏膜NORM、癌相关间质STR和癌组织TUM。数据集包含多域测试集和六个单域训练集，其中多域测试集由17张所有扫描仪均覆盖的切片构成，每个样本可在6个扫描仪域中匹配到相同内容的patch。数据集制作流程包括WSI级配准、ROI选择、ROI级配准、基于DeepLabV3+的半自动伪标签生成、病理医生修正、patch筛选以及跨域坐标匹配。第二个数据集是公开的NCT-CRC-HE-100K/K19及其CRC-VAL-HE-7K测试集，同样包含9类结直肠癌组织patch，用于评估跨数据来源的泛化能力。
实验结果
实验采用ResNet18作为编码器，在无监督阶段训练200个epoch，随后冻结骨干网络，仅用源域1%有标签样本训练线性分类器，并以加权F1分数作为主要指标。单域泛化实验分别以S03、S06和K19作为源域训练，再在其余扫描仪域和K19/CRC-VAL上测试。与BYOL、CaCo、SimCLR、MoCoV2、MoCoV2+DFF、MoCoV2+RandStainNA等方法相比，USD-PG在三种源域设置下均取得最高平均F1。具体而言，源域为S03时平均F1为91.41，源域为S06时为90.54，源域为K19时为80.21，均明显优于大多数自监督和数据增强基线。类别级结果显示，在与源域差异较大的S05域上，USD-PG对多数组织类别保持较高F1，而一些对比方法在NORM、BACK或TUM等类别上出现严重失败。与病理基础模型UNI和无监督域适应方法SRMA相比，USD-PG在小到中等域差距场景中仍非常有竞争力；当源域K19与内部数据域差距极大时，使用多域无监督预训练信息的SRMA更强，但USD-PG无需访问目标域仍保持较好表现。t-SNE可视化表明，USD-PG学习到的特征簇更紧凑、类别分离更清楚；WSI级和ROI级可视化也显示，相比MoCoV2，USD-PG在不同扫描仪域上对肿瘤上皮、正常组织、平滑肌、背景和间质区域的预测更稳定。多域泛化扩展实验中，虽然专门为多源域设计的BrAD表现最佳，UNI也有较强竞争力，但USD-PG在未专门针对多源域优化的情况下仍取得可接受结果，说明其学到的域不变表征具有一定可迁移性。
消融研究
消融实验首先验证Style-PDT和Spatial-PDT各自的作用。以S03为源域时，MoCoV2基线平均F1为85.56；仅加入Style-PDT后提升到90.49，尤其在K19这种染色风格差异较大的目标域上改善明显；仅加入Spatial-PDT后平均F1为89.22，在与S03风格较接近的扫描仪域上较有效；二者结合后达到91.41，说明风格和空间信息互补。第二组消融研究考察渐进式策略和三分支结构。去掉渐进式设置后，平均F1下降到87.29，且在K19上下降尤其明显，说明平滑扩展增强强度能减少不真实扰动对训练的伤害。将Style-PDT和Spatial-PDT合并为双分支联合变换后仍有较好表现，但低于完整USD-PG，说明把风格与空间变换拆分为独立分支更有利于分别学习两类域不变特征。
Conclusion结论
05
论文提出USD-PG这一面向病理组织分类的无监督单域泛化框架，针对传统随机增强在病理图像中可能造成不合理颜色和纹理变化的问题，引入Style-PDT和Spatial-PDT两种渐进式域变换。该方法只需要一个源域的无标签图像进行预训练，再用少量源域标签训练线性分类器，即可提升对未知扫描仪域和外部数据源的泛化能力。作者同时发布GDPH-CRC-HE-MS多扫描仪组织分类数据集，为研究扫描仪引起的病理图像域偏移提供了重要资源。实验和消融研究共同证明，渐进式变换能够更稳定地模拟域变化，帮助模型学习更鲁棒的组织表征。作者未来计划进一步利用该数据集探索域适应方向。
Figure图
06
图1.
该图展示同一张H&E染色组织切片经KF-PRO-020、PANNORAMIC 250和Aperio GT 450等不同扫描仪生成的WSI，以及同一个模型得到的WSI级分割掩膜。虽然组织内容相同，不同扫描仪下的颜色、对比度和细节呈现差异明显，模型分割结果也出现显著不一致。这张图直观说明扫描仪域偏移会严重影响病理组织分类和分割模型的真实部署性能，是本文研究问题的出发点。
图2.
该图给出USD-PG的核心流程。输入图像被变换为弱增强视图、Style-PDT风格增强视图和Spatial-PDT空间增强视图；弱增强视图通过动量编码器生成正样本嵌入并维护负样本队列，两个强增强视图通过主编码器产生嵌入并分别计算对比损失。图中还细化了Style-PDT如何基于前景背景分离和颜色空间统计生成渐进染色风格，以及Spatial-PDT如何随epoch逐步增加空间变换强度，是理解本文方法最关键的图。
图3.
该图对比了RandStainNA和本文Style-PDT在不同训练阶段生成的染色增强图像。RandStainNA会在早期产生较突兀甚至不真实的颜色变化，而Style-PDT随着训练推进逐步扩大染色风格扰动范围，使生成图像在分布上更连续、更接近真实病理染色变化。该图支持作者关于渐进式风格扩展能稳定自监督预训练的论点。
图4.
该图展示新发布数据集中6个扫描仪域S01到S06下9类组织的代表性patch，包括TUM、STR、MUS、LYM、NORM、DEB、MUC、ADI和BACK。可以看到同一组织类别在不同扫描仪下存在明显颜色和纹理呈现差异，同时不同组织类别具有病理结构差异。该图说明该数据集适合用于评估扫描仪引起的域泛化问题。
图5：
该图展示GDPH-CRC-HE-MS从WSI到patch级多域标注样本的构建流程。首先对6个扫描仪产生的WSI进行配准并选择ROI，再进行ROI级配准；随后使用预训练DeepLabV3+生成伪标签，并由多名临床医生和资深病理医生修正；之后在S03域筛选单类像素比例超过70%的patch，并基于配准坐标提取其他域中内容匹配的patch。该流程保证测试集中跨扫描仪patch具有相同组织内容和标签，是该数据集的重要可靠性基础。
图6：
该图展示以S03、S06和K19为源域训练时，不同方法在S05目标域上的特征嵌入分布。与CaCo、SimCLR、MoCoV2、DFF和RandStainNA相比，USD-PG的类别簇整体更紧凑，多个组织类别之间分离更清楚，说明其学习到的表示更具有类别判别性和域鲁棒性。不过平滑肌与肿瘤间质等结构相似类别仍有重叠，反映出该任务的内在难度。
图7.
该图比较了使用K19训练的USD-PG和MoCoV2在6个内部扫描仪域上的WSI级与ROI级预测结果，并与病理标注进行对照。USD-PG在不同扫描仪域中生成的组织区域分布更加稳定，对肿瘤上皮、间质、正常组织、平滑肌和背景的区分更接近标注；MoCoV2则更容易出现跨域不一致和局部混淆。该图从实际WSI应用角度证明USD-PG的泛化优势。
图8.
该图展示在S03和S06、S03和K19、S06和K19三种多源训练组合下，不同方法在各目标域上的F1表现。专门面向多源无监督域泛化的BrAD整体最强，病理基础模型UNI也具有竞争力；USD-PG虽然主要为单域泛化设计，但在多域合并训练时仍保持较均衡表现。该结果说明USD-PG学习到的风格和空间鲁棒表征不仅适用于单域，也可扩展到一定的多域泛化场景。
