Mar, 2018

基于深度学习的自动荧光虚拟组织染色技术

PDF
TL;DR本研究使用基于深度学习的生成对抗网络模型，将未标记组织样本的自动荧光图像转化为等效于其染色样本的亮场图像，实现了一种免标记虚拟染色的显微镜图像制作方法，有效节约了组织学检查的时间和成本。
histological analysislabel-free approachvirtually-stained microscopic imagedeep learningtissue preparation
发现论文，激发创造
  • 无标记尸检组织的虚拟组织学染色

    通过虚拟染色技术，我们报告了尸检组织的首次实证，并展示了经过训练的神经网络可以快速将无标记尸检组织切片的自动荧光图像转化为与相同样品的苏木精和伊红 (HE) 染色版本相匹配的亮场等效图像，消除了传统组织化学染色中固有的由于尸体组织延迟固定引起的严重染色伪影，使其可以在新的经历严重自溶的尸检组织样品中有效地强调细胞核、细胞质和细胞外特征，该技术还可应用于坏死组织，能够快速且具有低成本地生成无伪影的 HE 染色，同时减少了与标准组织化学染色相关的劳动、成本和基础设施需求。

    Aug, 2023

  • 使用光子吸收遥感显微术进行无标记组织学的自动全层扫描成像

    利用第一代透射式光子吸收遥感显微镜的标签自由组织学平台，以及 pix2pix 实验，全面提高了组织学诊断的效率和疾病诊断的准确性，同时允许光学方法（标签自由的）与传统染色工艺进行对比，应用广泛。

    Apr, 2023

  • PhaseStain: 使用深度学习对无标记定量相位显微镜图像进行数字染色

    使用深度学习的数字染色技术 PhaseStain 能将实验室内不需要标记的组织切片的量化相位图像转变成相当于组织经过染色的亮场显微镜图像的等效图像，以 Hematoxylin 和 Eosin，Jones' stain 和 Masson's trichrome stain 技术染色的实验室内标本数字染色，能减少化学染色的需求，降低样品制备成本和节省时间。

    Jul, 2018

  • 利用自荧光显微镜与深度学习在无标记组织中进行虚拟双折射成像和组织染色研究淀粉沉积物

    通过使用训练有素的神经网络，我们首次展示了对无标签人体组织的虚拟双折射成像和虚拟刚果红染色，快速地将自发荧光图像转化为同一样本的亮场显微镜和偏振光显微镜等效图像，与同一样本的组织化学染色版本相匹配。我们的方法在心脏组织上进行了实验证实和病理学家评估，虚拟染色的结果与组织化学染色的真实图像吻合，强调了淀粉样物质的双折射模式，从而减少了临床工作流程中与化学染色和手动成像过程质量变异相关的诊断挑战。

    Mar, 2024

  • 基于 GAN 的虚拟染色：全切片图像分析的有希望解决方案

    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

  • 采用 3D Epi - 模式定量相位成像和虚拟 H&E 染色的无标签和无玻片组织组织学

    该研究结合 3D 量化相位成像技术和非监督生成对抗网络管道，将未修改的厚组织的 qOBM 相位图像映射到类似于 H＆E 的 vH＆E 图像。这种有望显著节省肿瘤筛查、检测、治疗指导等时间、费用和人力的深度学习 qOBM 方法能够为组织病理学的新工作流程提供新的可能性。

    Jun, 2023

  • 虚拟组织染色和数码病理的自主质量和幻觉评估

    自动质量和幻觉评估方法 (AQuA) 在虚拟组织染色方面实现了 99.8% 的准确性和 98.5% 的与人工评估一致性，同时具有检测虚拟组织染色幻觉图像的超人表现，并显示其在数字病理学和计算成像中的各种图像生成和转换任务方面的可靠性。

    Apr, 2024

  • 基于深度学习的将 H&E 染色转变为特殊染色

    本研究应用有监督学习的计算机染色转换技术，将经典的血红蛋白与嗜酸性染色（H&E）转换为肾脏穿刺活组织检测中的不同特殊染色，从而改善了多种非肿瘤性肾脏疾病的初步诊断质量，并减少了医疗系统和患者的时间和成本负担。

    Aug, 2020

  • 无监督组织病理图像合成

    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

  • 利用深度卷积特征的组织学染色上下文归一化

    本研究提供了一种用于标准化组织学染色的完全自动化、端到端基于学习的设置，该设置考虑了组织的纹理上下文，并通过结合来自长短时记忆单元的门控元素的批量归一化框架来扩展特征感知归一化。为了实现优秀的标准化结果并确保颜色和纹理的一致表示，作者将预训练的深度神经网络作为特征提取器来引导像素处理管道，并使用颜色直方图偏差、结构相似性和颜色体积等指标对不同方法进行评估。

    Aug, 2017