Aug, 2020

基于深度学习的将 H&E 染色转变为特殊染色

PDF
TL;DR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。
pathologysupervised learningstain transformationnon-neoplastic kidney diseasesdiagnostic picture
发现论文，激发创造
  • 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

  • StainDiffuser: 虚拟染色的多任务双扩散模型

    StainDiffuser 是一种新颖的多任务双扩散架构，用于通过有限的训练预算实现虚拟染色，能同时训练细胞特异性的免疫组织化学染色和基于 HE 的细胞分割。

    Mar, 2024

  • 使用生成对抗神经网络进行前列腺活检 RGB 图像的计算组织染色和去染色

    该研究提出了两种新方法，使用条件生成式对抗网络进行机器学习，来实现对前列腺活检组织的计算机 H&E 染色和去染色，进而提高了组织结构等的相似性指数。

    Oct, 2018

  • 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

  • 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

  • 免疫组织化学生物标志物引导的组织病理学图像检索

    本研究提出了一种有针对性的图像搜索方法来改善肿瘤检测和癌症诊断。通过多种免疫组化染色技术，将图像合并生成复合标记物图像，并利用深度学习技术实现对癌变或异常组织信息的高效筛查，从而提高了搜索引擎的精确度。

    Apr, 2023

  • 基于拉普拉斯金字塔的生成 H&E 染色增强网络

    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

  • 结构循环生成对抗网络用于结肠腺体标记物的虚拟免疫组化染色

    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

  • 内外网单色虚拟 HE 染色

    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

  • 深度学习在乳腺癌组织学分类中的应用

    本研究利用深度学习方法，通过提取细胞核密度区域进行分类，通过 fine-tuning 原始的 Inception-v3 卷积神经网络，从而达到了对四种类型的 H&E 染色乳腺组织图像进行分类，并获得了高达 85% 的整体精确度和 93% 的癌症诊断精确度。

    Feb, 2018