May, 2023

基于拉普拉斯金字塔的生成 H&E 染色增强网络

PDF
TL;DR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％。
hematoxylin and eosin stainingmedical diagnosticsmachine learninggenerative stain augmentation networklaplacian pyramid
发现论文，激发创造
  • 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

  • 结构循环生成对抗网络用于结肠腺体标记物的虚拟免疫组化染色

    提出了一种将组织标本的染色信息进行生成的新型生成模型，该模型包含结构信息和注意力模块，且引入了两个与虚拟染色特异性相关的新定量度量指标。

    Aug, 2023

  • 使用生成对抗神经网络进行前列腺活检 RGB 图像的计算组织染色和去染色

    该研究提出了两种新方法，使用条件生成式对抗网络进行机器学习，来实现对前列腺活检组织的计算机 H&E 染色和去染色，进而提高了组织结构等的相似性指数。

    Oct, 2018

  • 可扩展，可信赖的基于 H&E 全切片图像的虚拟多染色生成模型

    利用生成型人工智能技术进行虚拟染色的方法，通过使用一种基于 H&E 的编码器支持多种染色剂的解码器的设计，实现了从单张 H&E 切片生成 8 种不同染色的可扩展性，同时通过实时自检和质量检查来提高信任度和准确性，并开发了一种云端系统，方便实时用户反馈。

    Jun, 2024

  • 基于深度学习的将 H&E 染色转变为特殊染色

    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

  • 无监督组织病理图像合成

    本研究提出了一种无监督学习的方法，利用生成对抗网络（GAN）生成与真实组织学图像相似的组织学图像，以提高分类 CNN 的性能，该方法不仅能在缺少监督数据的情况下有效地进行癌症诊断，而且对于含有监督数据的情况仍能表现出色。

    Dec, 2017

  • 利用非配对生成对抗网络实现组织切片图像的可编辑染色转换

    引入了结合可解释性特征和保存结构能力的 xAI-CycleGAN 先进架构，用于将 H&E 染色的乳腺组织图像转换成类似 P63 染色的图像，并展示了其在保持结构完整性和生成高质量图像方面的有效性，验证了该模型的高质量输出。

    Dec, 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

  • StainDiffuser: 虚拟染色的多任务双扩散模型

    StainDiffuser 是一种新颖的多任务双扩散架构，用于通过有限的训练预算实现虚拟染色，能同时训练细胞特异性的免疫组织化学染色和基于 HE 的细胞分割。

    Mar, 2024

  • 内外网单色虚拟 HE 染色

    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