ECCVAug, 2022

基于核化实例标准化的超高分辨率非配对染色转换

PDF
TL;DR该研究提出了一种基于 Kernelized Instance Normalization (KIN) 的超高分辨率非配对图像转换策略，该方法可用于免疫组织化学染色分析，以及在常规 GPU 空间内高效地实现缝合染色转换。
immunohistochemistrystainingunpaired image-to-image translationkernelized instance normalizationlocal statistics
发现论文，激发创造
  • 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

  • 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

  • 基于注意力机制的变焦生成对抗网络在不均匀医学图像转换中的应用

    我们在这篇论文中提出了一种基于注意力的变焦生成对抗网络 (AV-GAN)，它解决了病理图像翻译任务中多个问题，如不同区域的翻译困难度不均、多分辨率信息的相互干扰和核变形。实验结果表明，我们提出的 AV-GAN 在两个虚拟肾组织染色任务中优于现有图像翻译方法，并分别使 H&E-MT 和 H&E-PAS 任务的 FID 值提高了 15.9 和 4.16。

    Apr, 2024

  • 利用深度学习和金字塔采样进行乳腺癌图像中的自动 HER2 评分

    使用深度学习方法对免疫组织化学染色的乳腺癌组织图像进行 HER2 状态自动分类，以提高诊断准确性和评估速度，对乳腺癌的治疗规划可能产生重大影响。

    Apr, 2024

  • 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

  • TriDeNT：组织病理学中特权知识蒸馏的三重深度网络训练

    TriDeNT 是一种新颖的自监督方法，能够利用训练过程中不可用的特权数据来改善性能，从而在计算病理学模型中达到超越其他先进方法的效果，特别适用于免疫组织化学、空间转录组学等配对数据的研究。

    Dec, 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

  • 生成图像检测的本地统计

    本文研究了扩散模型，其通过学习从高斯噪声中合成图像的生成模型。研究者在合成逼真图像的能力方面取得了显著进展，并强调了计算局部统计量在区分数码相机图像和生成图像中的有效性，以解决图像的空间非平稳性问题。作者展示了本方法产生了有希望的结果，并且对图像的调整和 JPEG 压缩等多种扰动具有鲁棒性。

    Oct, 2023

  • 蒙面鉴别器用于内容一致的无配对图片翻译

    通过使用基于内容的掩码来降低内容不一致性，并通过引入局部鉴别器和特征注意解规范化来减少产生的伪影，该方法在逼真的模拟至真实图像转换和天气转换中实现了最先进的性能，同时在日夜转换中表现良好，并提出了基于类别的翻译质量评估指标 sKVD 和 cKVD。

    Sep, 2023

  • 类风湿性关节炎免疫组化染色滑膜组织的自动分割

    一种使用 UNET 方法在 R4RA 多中心临床数据集上训练的自动组织分割算法，可用于 IHC 染色的滑片图像分析流程的第一步，提高速度、可重复性和稳健性。

    Sep, 2023