基于细胞分割与点集匹配的组织病理图像多模态对齐用于癌症整合分析
Multimodal Alignment of Histopathological Images Using Cell Segmentation and Point Set Matching for Integrative Cancer Analysis
AI总结：
本文提出一种结合细胞分割、相干点漂移和图匹配的组织病理图像多模态对齐框架，在卵巢癌组织微阵列上实现高精度细胞级对齐，并支持从MxIF生成虚拟H&E图像以辅助癌症整合分析。
摘要：
组织病理学成像对癌症研究和临床实践至关重要，其中多重免疫荧光（MxIF）与苏木精-伊红（H&E）染色提供了互补的见解。然而，由于模态差异，在细胞水平上对齐不同染色仍然是一个挑战。本文提出了一种利用细胞分割结果进行多模态图像对齐的新框架。通过将细胞视为点集，我们应用相干点漂移（CPD）进行初始对齐，并使用图匹配（GM）进行细化。在卵巢癌组织微阵列（TMA）上的评估表明，我们的方法实现了高对齐精度，能够跨模态整合细胞级特征，并从MxIF数据生成虚拟H&E图像，以增强临床解读。
英文摘要：
Histopathological imaging is vital for cancer research and clinical practice, with multiplexed Immunofluorescence (MxIF) and Hematoxylin and Eosin (H&E) providing complementary insights. However, aligning different stains at the cell level remains a challenge due to modality differences. In this paper, we present a novel framework for multimodal image alignment using cell segmentation outcomes. By treating cells as point sets, we apply Coherent Point Drift (CPD) for initial alignment and refine it with Graph Matching (GM). Evaluated on ovarian cancer tissue microarrays (TMAs), our method achieves high alignment accuracy, enabling integration of cell-level features across modalities and generating virtual H&E images from MxIF data for enhanced clinical interpretation.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
