从双通道自发荧光生成虚拟 H&E：训练、留出验证与结果报告
用三组公开配对视野，从头训练小型卷积模型，生成虚拟H&E并与真实染色核对。
用三组公开配对视野，训练一个把双通道自发荧光转换为 H&E 外观的模型。完成后，你会拿到虚拟染色图、真实染色对照、训练曲线、留出指标和可继续修改的项目代码。
1. 下载本次最小案例
下载数据、代码、训练模型与结果包（约78 MB），解压到自己的研究目录。包内 inputs/input 有006、007、008三个MAT文件，inputs/target 有对应的真实化学H&E图像；results 保存本次计算成品，project 保存独立实现。
原始数据来自 UCLA 的 Zenodo 记录，提供未染色组织的DAPI/TxRed滤光通道及配对H&E。我们只取官方 Example_images.zip 中006—008视野的六个文件，保留原始字节与名称。数据署名为Yuzhu Li / UCLA，使用CC BY 4.0；包内 DATA-LICENSE.md、来源回执与 input-manifest.json 可核对来源、许可和每个文件的SHA-256。
在插件“数据与范围”选择“本地执行”，设置新项目工作目录。在“研究数据”点击“＋ 增加数据”，数据类型选择文件夹，添加解压后的 inputs。绑定范围应为三个MAT和三个PNG，不要选择整个结果包。
2. 选择环境并提交需求
选择已有Python 3.12环境，或为项目准备独立环境。本次使用CPU版PyTorch 2.6.0、NumPy 2.2.6、SciPy 1.15.3、scikit-image 0.25.2、Pandas 2.2.3、Matplotlib 3.10.3和Pillow 11.2.1。requirements.txt列出项目实际依赖；原作者的TensorFlow环境没有被复制。
点击“提交建模需求”，输入：
请使用我绑定的三个双通道AF与真实H&E配对视野，独立实现最小虚拟染色项目。006和007训练、008留出，划分固定。使用小型两尺度卷积网络，CPU、随机种子20261015、64像素训练块、batch 4、Adam学习率0.001、固定400步。归一化只由训练视野拟合。冻结后生成008的512×512虚拟H&E，保存权重、训练曲线、输入/预测/目标对照，计算MAE、PSNR、SSIM及训练均色基线，生成PathoWish报告。
点击“下一步：核对需求”，核对输入范围、执行位置和环境后提交。
3. 从文献提炼方法，确认自己的实现
阶段1查看模型对《Virtual histological staining of unlabeled autopsy tissue》开放全文的阅读。知识库缺少论文时，在阶段2“参考文献与自备材料”添加该文PDF。
本项目采用论文的配对学习、训练与留出分离、生成图与真实目标比较原则。当前实现是25,811参数的两尺度CNN，损失为MSE加0.2倍L1；论文中的完整生成对抗与配准框架留在方法参考中。方案不依赖下载作者模型，权重由本次两个训练视野产生。
在阶段2核对训练划分、输出文件和依赖，勾选方案确认后开始开发。阶段3由当前模型组织代码，阶段4执行训练、推理、评价并评审实测输出。训练与推理分开，推理入口只读取008的AF输入及已训练模型。
4. 检查真实结果
本次在008留出视野得到以下结果，RGB数值范围为0—1。
| 方法 | MAE（越低越好） | PSNR/dB（越高越好） | SSIM（越高越好） |
|---|---|---|---|
| 本次小型CNN | 0.06690 | 18.5456 | 0.65113 |
| 训练图像均色基线 | 0.14529 | 14.3934 | 0.45428 |
对照图可见，预测保留了组织间隙和主要结构，细胞核、红细胞及纤维纹理比真实染色更平滑。打开 metrics.csv 核对数值，再看三联图中的局部结构；两种检查共同说明模型完成了什么。
5. 打开报告，继续修改代码
进入“结果与图表”，点击“查看本次报告”。用顶部“打开结果文件夹”查看 stainnet.pt、training.json、指标表和PNG；点击“打开项目代码”，可以修改网络宽度、训练采样或损失函数。
若要精确重跑下载包中的既有代码，在配好依赖的环境中进入解压目录，先运行 python run_case.py 校验六个输入，再运行 python run_case.py --run。新结果写入 project/artifacts/versions；包内原始 results 保持可供比较。通过插件重新提交需求会生成新的实现版本，两条路径分别适合探索开发和固定代码复算。
方法与核验记录
原图为2048×2048；两个AF通道先取log1p并缩小到512×512，均值与标准差仅由006/007拟合。训练采样64×64块并作旋转、翻转，测试目标只由评价步骤打开。006/007/008划分在运行前固定，未根据008指标重新选数据或调参。该公开示例未提供患者ID，评价单位为一个留出视野；配准残差与下采样共同影响逐像素指标。
独立复核确认输入哈希保持不变、训练正好400步，并从预测数组与RGB目标重新计算MAE和PSNR。图、表、模型与自动品牌报告来自同一次真实计算及当前模型评审。本次测试通过插件的项目后端执行；以上界面步骤供用户复现。
数据与方法署名：Li等，*Virtual histological staining of unlabeled autopsy tissue*；Zenodo DOI:10.5281/zenodo.10203424。数据许可：CC BY 4.0。本包取官方示例子集，分析时缩放图像并训练新的模型，未使用作者生成图作为真值。