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

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

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

MRI 扫描的磁共振成像和显微成像的跨模态增强具有潜力，可以在没有侵入性活检程序的情况下进行组织病理学分析。本文测试了一种使用条件生成对抗网络（cGAN）架构从 MRI 扫描中生成微观组织学图像的方法。该方法通过训练配对的图像转换模型，将 MRI 扫描和显微镜图像集合起来。通过可靠地合成胼胝体的组织学图像，这项技术突显了网络在训练高分辨率组织学图像和相对较低分辨率 MRI 扫描方面的能力。该工具的最终目标是避免活检，可用于教育目的。

Oct, 2023

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

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

利用生成型人工智能技术进行虚拟染色的方法，通过使用一种基于 H&E 的编码器支持多种染色剂的解码器的设计，实现了从单张 H&E 切片生成 8 种不同染色的可扩展性，同时通过实时自检和质量检查来提高信任度和准确性，并开发了一种云端系统，方便实时用户反馈。

Jun, 2024

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

该研究提出了一种在 VAE 潜在空间中使用动态时间扭曲 (DTW) 进行多模式病理图像搜索的方法，并将其馈送到排名选择投票方案中，以检索与查询 H&E 幻灯片最相似的多重免疫荧光成像 (mIF)。通过训练 VAE 和应用 DTW，我们对齐并比较 mIF 和 H&E 幻灯片，从而融合了形态学 H&E 数据和来自 mIF 的免疫表型，从而提供了丰富的疾病状态视角，可能 彻底改变诊断过程，提高精度并实现个性化治疗选择的能力。

Jun, 2023