利用深度学习方法的 CycleGANs，不需要专家选择代表性的参考标本，解决了数字化组织学诊断中由于多种因素引起的染色剂颜色变化引起的难题，并在乳腺癌肿瘤分类等临床应用中得到了验证。

Apr, 2018

数字病理学的快速发展为发展基于人工智能的工具改善临床诊断的准确性和效率提供了理想的机会。本文探讨了数字病理学中用于染色标准化的不同技术，重点关注利用生成对抗网络（GAN）的方法。研究者旨在找到一种有效和高效的方法来标准化病理图像，以使人工智能模型更具鲁棒性和可推广性。

Aug, 2023

通过采用基于条件潜在扩散的新型架构，以样式转移任务的方式处理了镜像污染问题，并建立了迄今为止最大的超过 200 万组织学图像数据集 SPI-2M，并使用神经样式转移进行高质量转换，从而在归一化图像的质量方面胜过了现有的 GAN 和手工方法。此外，作为考验时间增强方法应用于具有挑战性的 CoNIC 数据集的核实例分割和分类模型，与现有方法相比，它改进了性能。最后，在多千兆像素全尺寸图像（Whole Slide Images，WSIs）上应用了 StainFuser，并展示了相对于现有方法，它在计算效率、图像质量和图块之间的一致性方面的改进。

Mar, 2024

本文介绍了 HistoStarGAN，它是一种用于多种染色方式的虚拟染色方法，可以进行染色归一化和染色不变分割，并证明其具有泛化能力和生成合成图像数据的能力。同时还展示了一种基于肾脏病理图像的人工数据集制作方式，以此展示了这种方法在生物成像领域的潜在应用与风险。

Oct, 2022

本文研究组比较了针对组织切片染色变异的两种技术：染色色彩扩增和染色色彩规范化，并在异质性数据集上量化了它们对卷积神经网络分类性能的影响，并提出了一种使用神经网络进行无监督染色色彩规范化的新方法。

Feb, 2019

提出使用生成对抗网络 (GAN) 的 Generative Stain Augmentation Network (G-SAN) 来消除组织切片染色不同的变异性对机器学习诊断工具的影响，并通过补充染色变异性数据，使得机器学习模型更加健壮。通过组织学图像的核分类和分割任务的结果，证明使用 G-SAN 的增强数据平均提高了 F1 得分 15.7％和齐柏林物质的质量 7.3％。

May, 2023

本文提出了一种基于条件 CycleGAN 网络的方法，将 H＆E 染色图像转换为 IHC 染色图像，实现同一切片的虚拟 IHC 染色，并展示了该方法在图像转换方面的优越性。

Jan, 2019

本研究提出了一种无监督学习的方法，利用生成对抗网络（GAN）生成与真实组织学图像相似的组织学图像，以提高分类 CNN 的性能，该方法不仅能在缺少监督数据的情况下有效地进行癌症诊断，而且对于含有监督数据的情况仍能表现出色。

Dec, 2017

引入了结合可解释性特征和保存结构能力的 xAI-CycleGAN 先进架构，用于将 H&E 染色的乳腺组织图像转换成类似 P63 染色的图像，并展示了其在保持结构完整性和生成高质量图像方面的有效性，验证了该模型的高质量输出。

Dec, 2023

本文提出了一种新的神经样式转换模型，它是基于无需相关风格图像，可用于任何内容和风格的输入形成语义准确的生成图像，规避了全模型训练的烦恼，并通过单向 GAN 模型的确保循环一致性的结构，实现了更高效的训练和验证阶段以及更小的模型尺寸。

Feb, 2023