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

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

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

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

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

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

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

介绍了一种用于虚拟染色任务的新型网络 In-and-Out Net，基于生成对抗网络（GAN），能够将表皮镜下反射共聚焦显微镜（RCM）图像高效地转化为血红素和噻唑蓝（H&E）染色图像，提供了用于虚拟染色任务的有价值的工具，推动了组织学图像分析领域的发展。

May, 2024

本研究解决了传统组织染色过程中耗时、成本高和劳动强度大的问题。通过开发一套虚拟染色神经网络，能将无标记的组织切片图像数字化为高度一致的组织学染色图像，且诊断结果与传统染色方法相当。研究表明，该方法在检测肺脏和心脏移植排斥反应中具有广泛的应用潜力。

Sep, 2024

本研究解决了传统深度学习方法在无标记组织图像虚拟染色中的局限性，提出了一种基于扩散模型的超分辨染色方法。通过整合新颖的采样技术，该方法显著提高了虚拟染色图像的分辨率和准确性，能够实现4-5倍的超分辨率，显著增强了临床诊断中的虚拟染色的可靠性。

Oct, 2024