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

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

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

传统的染色标准化方法通常依赖于选择单个代表性参考图像，而这可能不能充分考虑在实际情况下收集的数据集的各种染色模式。本研究引入了一种新颖的方法，利用多个参考图像增强对染色变异的鲁棒性。我们的方法无需参数，并可以在现有的计算病理学流程中采用而无需重大更改。我们通过在结肠癌图像上使用深度学习流程进行自动核分割的实验来评估我们方法的有效性。结果表明，通过利用多个参考图像，可以在广义到外部数据时获得更好的结果，而这些数据的染色与训练集有很大的差异。

Jun, 2024

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

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 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

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

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

介绍了一种用于虚拟染色任务的新型网络 In-and-Out Net，基于生成对抗网络（GAN），能够将表皮镜下反射共聚焦显微镜（RCM）图像高效地转化为血红素和噻唑蓝（H&E）染色图像，提供了用于虚拟染色任务的有价值的工具，推动了组织学图像分析领域的发展。

May, 2024