Apr, 2023

组合生物标志物图像在组织病理学中的高级可视化

PDF
TL;DR使用数字病理学，本文提出了一种名为 CBI 的复合生物标记物图像，它使用不同过滤的免疫组化生物标记物图像进行组合以实现更好的可视化，并且更有效的临床工作流程。
immunohistochemistrycomposite biomarker imagedigital pathologyvisualizationclinical workflow
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

  • 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

  • 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

  • BCI：金字塔 Pix2pix 生成乳腺癌免疫组织化学图像

    提出了一种乳腺癌免疫组化标准，能够通过 HE 染色图像的合成直接综合 IHC 数据，可用于 HER2 表达评估的病理研究。

    Apr, 2022

  • 乳腺癌免疫组织化学图像生成：基准数据集和挑战评估

    本文介绍了乳腺癌免疫组化图像生成挑战赛，旨在探索深度学习技术在病理图像生成领域的新思路并促进研究。我们进一步分析了该领域的当前限制并预测了未来的发展。发放的数据集和挑战将希望能激发更多学者共同研究更高质量的免疫组化染色图像的生成。

    May, 2023

  • 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

  • 从全切片图像到生物标志物预测：结合计算病理学的端到端深度学习协议

    该研究论文介绍了一种实用的基于深度学习的固体肿瘤相关建模工作流程（STAMP），使得可以直接从组织病理学图像中预测生物标志物。它包括问题定义、数据预处理、建模、评估和临床转化五个主要阶段，并且注重作为一个合作框架，为临床医生和工程师在计算病理学领域开展研究项目提供支持。

    Dec, 2023

  • DeepLIIF：临床病理幻灯片定量分析在线平台

    DeepLIIF 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。

    Apr, 2022

  • 乳腺组织病理学 H&E 全切片图像的公开数据集：系统综述

    通过对乳腺癌组织标本图像的数据集进行系统回顾，发现了 12 个公开的数据集，并对每个数据集的元数据和特征进行了报告，同时编制了一个文章中使用的补充资源列表。此外，还强调了建立乳腺癌 WSI 数据集元数据报告指南的必要性。

    Jun, 2023

  • 采用无监督 CAE 方法实现更透明和准确的癌症诊断

    通过使用基于内容的医学图像检索 (CBMIR) 分析组织病理学切片图像，数字病理学通过提供一种强大的工具进而革命了肿瘤诊断；为了解决 CBMIR 中缺乏标注的组织病理学图像的问题，文中提出了一种无监督学习方法 (UCBMIR), 并采用基于卷积自编码器 (CAE) 的自定义方法提取特征，经过实验表明该方法具有较高的识别准确率。

    May, 2023