CVPRApr, 2022

DeepLIIF：临床病理幻灯片定量分析在线平台

PDF
TL;DRDeepLIIF 是一种基于多重免疫荧光染色技术的在线平台，可用于有效且可再现地对组织切片进行 IHC 评分，并自动完成 GPU 资源的规模调整。
deepliifihc scoringcell-level quantificationmultiplex immunofluorescence stainingcloud-native platform
发现论文，激发创造
  • 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

  • 一份 AI 准备的多重染色数据集，用于肿瘤免疫微环境的可重现和准确表征

    本文介绍了一个新的计算病理学数据集，其中包含八名头颈鳞癌患者的重新染色和共注册数字化图像。该数据集展示了两种染色方法的等效性，为深度学习方法提供了客观的免疫和肿瘤细胞注释，并可用于肿瘤免疫微环境的更可重复和准确的表征。

    May, 2023

  • 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

  • 借助 IHC 转 IF 染色领域翻译实现基于计算数据生成的 ReStainGAN

    通过将形态学特定的免疫组织化学染色分解成免疫荧光（IF）图像中的分离图像通道，我们提出了一种新颖的方法来生成模拟免疫组织化学（IHC）图像，该方法在定性和定量上优于基准方法，并通过在创建的模拟数据集上训练细胞核分割模型得到证明。

    Mar, 2024

  • 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

  • 全自动基于深度学习的免疫组织化学报告算法的开发与验证

    使用基于深度学习的半监督训练的全自动决策支持系统 (DSS)，对浸润性导管癌进行免疫组化评分，从而提高免疫组化评分的准确性和治疗决策，特别是在专家不可用的情况下。

    Jun, 2024

  • 评估基于深度学习的黑色素瘤分类研究：免疫组织化学和常规组织学的三中心研究

    通过研究利用 MelanA 和 H&E 染色组织切片的深度学习支持系统，我们发现 MelanA 分类器与基准 H&E 分类器表现相似，可以通过多染色分类进一步提高性能，为病理学家的临床工作提供帮助。

    Sep, 2023

  • 基于深度学习的数字乳腺癌免疫组织化学图像精确自动化量化的实例分割

    使用基于深度学习的实例分割体系结构的自动量化方法，成功地将细胞核和膜生物标记物应用于免疫组化染色的胸部肿瘤图像，并集成到开发的网络平台中，作为病理学家的决策支持工具。

    Nov, 2023

  • 基于深度学习的自动荧光虚拟组织染色技术

    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。

    Mar, 2018

  • IHC 在 H&E 整片图像分析中的应用：通过两阶段多模态双线性汇聚融合提高癌症分级

    通过将免疫组化数据与 H&E 染色图像相结合，将其纳入机器学习模型中，可以提高癌症分级的预测结果。提出的框架在公共数据集 BCI 上取得了令人印象深刻的 0.953 的高准确率。

    May, 2024