May, 2023

基于拉普拉斯金字塔的生成H&E染色增强网络

HTML
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％。
发现论文，激发创造
  • 基于深度学习的自动荧光虚拟组织染色技术

    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

  • 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

  • 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

  • RandStainNA: 利用染色增强和标准化实现组织学切片无关染色特征学习

    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

  • 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

  • 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

  • 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

  • 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

  • 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