S$^3$-Diff：病理图像高保真超分辨率的结构语义协同扩散模型

数字病理学依赖于高分辨率的全切片图像来进行准确的诊断，但成像设备、存储和传输的限制往往使得较低分辨率的病理图像在临床工作流程中更加常见。当前的超分辨率技术通常倾向于平滑诊断相关的形态，导致过度平滑的纹理和语义漂移，从而损害下游的临床解释。为此，我们开发了结构语义协同扩散模型（S3-Diff），这是一种用于病理图像高保真超分辨率的扩散框架。 S3-Diff 的核心是样本感知结构锚定 (SSA)，它将固定 SAM 提取的预后感知组织支持与 LR-HR 梯度差异相结合，生成样本特定的结构锚以保留病理形态。同时，我们引入了结构引导语义保真度调整（SSFT），以使用 SSA 派生的结构监督来适应 DINOv3 表示。 SSFT 将适应的语义能量与 LR 派生的边缘和灰度线索相结合。由此产生的控制指导去噪以抑制随机伪影并保持结构一致性。大量实验结果表明，S3-Diff 在重建质量和下游生存分析性能方面始终优于最先进的方法。源代码将被公开。