通过融合通道注意力和域对抗训练提高 CNN 对染色不变性的分割能力

Apr, 2023

通过融合通道注意力和域对抗训练提高 CNN 对染色不变性的分割能力

Improving Stain Invariance of CNNs for Segmentation by Fusing Channel Attention and Domain-Adversarial Training

Kudaibergen Abutalip, Numan Saeed, Mustaqeem Khan, Abdulmotaleb El Saddik

TL;DR本研究提出了一种卷积神经网络的通道注意机制，用于检测特定染色的特征，并对先前提出的耐染色训练方案进行修改，以提高单一来源的卷积神经网络对染色变化的普适性。通过在多中心和多染色样本集上的评估，我们证明了该方法的有效性，并表明该方法和染色增强的组合可以实现相互有益的结果。

Abstract

Variability in staining protocols, such as different slide preparation techniques, chemicals, and scanner configurations, can result in a diverse set of whole slide images (WSIs). This distribution shift can negatively impact the performance of deep learning models on unseen samples, p

whole slide images convolutional neural networks semantic segmentation stain-specific features computational pathology

发现论文，激发创造

深度学习在计算病理学中数据增强和染色归一化效果的量化分析

本文研究组比较了针对组织切片染色变异的两种技术：染色色彩扩增和染色色彩规范化，并在异质性数据集上量化了它们对卷积神经网络分类性能的影响，并提出了一种使用神经网络进行无监督染色色彩规范化的新方法。

Feb, 2019

多染色多层卷积网络用于多组织乳腺癌图像分割

我们提出了一种基于卷积神经网络的多类组织分割模型，通过像素对齐的非线性融合实现了局部和全局视野，能够准确检测各种组织类别，并且对于多种染料和扫描仪具有稳定性。

Jun, 2024

利用深度卷积特征的组织学染色上下文归一化

本研究提供了一种用于标准化组织学染色的完全自动化、端到端基于学习的设置，该设置考虑了组织的纹理上下文，并通过结合来自长短时记忆单元的门控元素的批量归一化框架来扩展特征感知归一化。为了实现优秀的标准化结果并确保颜色和纹理的一致表示，作者将预训练的深度神经网络作为特征提取器来引导像素处理管道，并使用颜色直方图偏差、结构相似性和颜色体积等指标对不同方法进行评估。

Aug, 2017

StainFuser：在多亿像素组织学图像中控制扩散以加速神经风格转移

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

领域对抗神经网络解决组织病理学图像外观差异问题

通过对颜色进行增强和基于领域对抗训练的方法，可以改善深度学习方法的泛化能力，从而提高乳腺癌组织学图像中有丝分裂的检测效果。

Jul, 2017

染色一致性学习：处理数字病理学分割中的染色变异

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

利用 GAN 进行神经染色风格迁移学习的组织病理学图像

本文提出了一种基于条件生成对抗网络（GANs）的染色风格转换（SST）模型，用于学习染色风格和对应的组织病理图像，并考虑了特征保持损失，以避免肿瘤分类器在转移图像时降级，研究表明该模型基于 CAMELYON16 数据集的性能因组织病理样本的染色风格而变化。

Oct, 2017

StainGAN：数字组织学图像染色风格转移

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

HistoStarGAN: 肾脏组织病理学中染色归一化、染色转移和染色不变分割的统一方法

本文介绍了 HistoStarGAN，它是一种用于多种染色方式的虚拟染色方法，可以进行染色归一化和染色不变分割，并证明其具有泛化能力和生成合成图像数据的能力。同时还展示了一种基于肾脏病理图像的人工数据集制作方式，以此展示了这种方法在生物成像领域的潜在应用与风险。

Oct, 2022

数字病理学的无监督潜在染色适应

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