PixStain：用于虚拟染色的跨视图表征对齐像素空间扩散模型

基于摘要分析。研究针对数字组织学图像不同染色模态之间的转换，提出 PixStain，以像素空间扩散和跨视图表征对齐生成目标标记物图像，旨在缓解 VAE 潜空间细节损失、迭代采样成本及仅依赖输出空间监督的问题。其主要对象是病理图像虚拟染色，而非 EEG 或 BCI。 核心机制：作者观察到，病理基础模型（PFM）特征的相似度图与标记物高表达区域较为一致，而 VAE 潜变量产生的相似度图主要受噪声影响。PixStain 使用 H&E 图像的多层级 PFM 特征作为像素空间 Vision Transformer 的条件，并采用 x-prediction 下的 flow matching 训练；作者称单阶段训练即可支持单步推理。跨视图对齐将学生模型浅层特征与更干净视图的教师模型深层特征匹配，其中学生视图对目标标记物图像加噪、对 H&E 图像掩码，两种扰动作用于空间上互不重叠的区域，以促进两类输入信息的整合。 结果：在三个公开的同一组织切片数据集上，任务覆盖 H&E-to-IHC、H&E-to-mIHC 和 H&E-to-mIF。作者报告，PixStain 在像素级、感知、细胞分类及分割指标上达到最先进表现，例外是 HEMIT 的像素级指标排名第二。摘要未提供具体分数、各项指标名称及对照方法，因此不能量化收益或直接比较不同任务的效果。 复现需核对数据配准与划分、PFM 和教师模型的具体配置、对齐损失、单步推理设置，以及速度与质量的权衡。实验协议、消融及统计信息尚未验证。材料未提供 EEG/BCI 实验，其病理图像结果不能作为神经信号任务有效性的证据。