本文提出了一种基于条件生成对抗网络（GANs）的染色风格转换（SST）模型，用于学习染色风格和对应的组织病理图像，并考虑了特征保持损失，以避免肿瘤分类器在转移图像时降级，研究表明该模型基于 CAMELYON16 数据集的性能因组织病理样本的染色风格而变化。

Oct, 2017

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

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

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

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 RandStainNA 方案，将 stain normalization (SN) 和 stain augmentation (SA) 相结合，以训练无差别染色的深度学习模型，从而提高数字组织病理学分析中的泛化能力。

Jun, 2022

数字病理学中的染色变异是自动化分析的一个独特挑战，本研究提出了一种新的框架，利用染色的特定增强和染色一致性损失函数来学习染色色彩不变的特征，在细胞和细胞核数据集上，与其他方法相比，该方法表现最佳。

Nov, 2023

提出了一种将组织标本的染色信息进行生成的新型生成模型，该模型包含结构信息和注意力模块，且引入了两个与虚拟染色特异性相关的新定量度量指标。

Aug, 2023