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

使用深度学习的数字染色技术 PhaseStain 能将实验室内不需要标记的组织切片的量化相位图像转变成相当于组织经过染色的亮场显微镜图像的等效图像，以 Hematoxylin 和 Eosin，Jones' stain 和 Masson's trichrome stain 技术染色的实验室内标本数字染色，能减少化学染色的需求，降低样品制备成本和节省时间。

Jul, 2018

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。

Aug, 2020

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

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

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

我们提出了一种新颖的虚拟染色框架AGMDT，通过避免像素级对齐并同时利用多个相邻组织切片之间的相关性，将图像转化为其他领域。实验证明，该方法在精确的像素级对齐和无配对领域转化之间取得了良好的平衡，并在定量测量和形态细节方面优于现有方法。

Sep, 2023

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

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

在数字病理学中，通过使用未标注的目标染色图像和标注的源染色图像，结合染色转换和无监督学习方法ULSA，我们提出了一种半监督策略来实现有效的染色适应，从而在肾脏组织分割和乳腺癌分类方面实现了最先进的性能。

Jun, 2024